SocNavGym：面向社交导航的强化学习 Gym
机器人学
2023-07-10 v2 人工智能
机器学习
多智能体系统
摘要
在有人类存在的环境中导航时保持社交合规性对自主机器人至关重要。机器学习，尤其是深度强化学习，近期在社交导航领域获得了极大关注。这在一定程度上归因于所生成的策略在代码复杂度或处理变量数量上不受人类能力的限制。然而，DRL 算法缺乏安全性保证且对数据需求量大，使得在真实世界中进行学习不可行。为弥补这一差距，仿真环境被频繁使用。我们提出 SocNavGym，一个用于社交导航的高级仿真环境，能够生成多种多样的社交导航场景并促进智能社交智能体的开发。SocNavGym 轻量、快速、易用，且可轻松配置以生成不同类型的社交导航场景。它还可配置为与不同的手工设计和数据驱动的社交奖励信号协同工作，并输出多种评估指标以对智能体的性能进行基准测试。此外，我们还提供了一个案例研究，其中使用 SocNavGym 训练 Dueling-DQN 智能体以学习社交导航策略。结果表明，SocNavGym 可用于从零开始训练智能体，使其能在简单及复杂的社交场景中进行导航。我们的实验还表明，与基于启发式的奖励函数相比，使用数据驱动奖励函数训练的智能体展现出更高级的社交合规性。
引用
@article{arxiv.2304.14102,
title = {SocNavGym: A Reinforcement Learning Gym for Social Navigation},
author = {Aditya Kapoor and Sushant Swamy and Luis Manso and Pilar Bachiller},
journal= {arXiv preprint arXiv:2304.14102},
year = {2023}
}
备注
IEEE RO-MAN