变功率约束下基于深度强化学习的无人机覆盖路径规划
机器人学
2021-02-15 v2 系统与控制
系统与控制
摘要
覆盖路径规划（CPP）是设计一条使移动智能体遍历感兴趣区域中每个点的轨迹的任务。我们提出一种新方法，用于在包含禁飞区的环境中，控制携带相机的无人机（UAV）执行具有随机起始位置和多个可选着陆位置的 CPP 任务。尽管已提出众多方法解决类似 CPP 问题，我们利用端到端强化学习（RL）来学习一个控制策略，该策略可泛化到无人机变化的功率约束上。尽管电池技术近期有所改进，小型无人机的最大飞行距离仍是一项严峻约束，且无人机功耗的变化难以预测，使该问题更加严峻。通过使用类地图输入通道将空间信息经卷积网络层馈送给智能体，我们能够训练一个双深度 Q 网络（DDQN）为无人机做出控制决策，在有限功率预算与覆盖目标间取得平衡。所提方法可应用于多种环境，并将复杂目标结构与系统约束相协调。
引用
@article{arxiv.2003.02609,
title = {UAV Coverage Path Planning under Varying Power Constraints using Deep Reinforcement Learning},
author = {Mirco Theile and Harald Bayerlein and Richard Nai and David Gesbert and Marco Caccamo},
journal= {arXiv preprint arXiv:2003.02609},
year = {2021}
}
备注
2020 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS)