利用全局与局部地图信息基于深度强化学习的无人机路径规划
机器人学
2022-02-07 v4 机器学习
摘要
自主无人机（UAV）的路径规划方法通常针对某一特定任务类型设计。本工作提出一种基于深度强化学习（DRL）的自主无人机路径规划方法，可应用于广泛的任务场景。具体而言，我们比较了覆盖路径规划（CPP，无人机旨在勘测感兴趣区域）与数据收集（DH，无人机从分布式物联网（IoT）传感器设备采集数据）。通过利用环境的结构化地图信息，我们在两种截然不同的任务场景上以相同架构训练双深度 Q 网络（DDQN），以做出在各自任务目标与导航约束之间取得平衡的运动决策。通过引入一种利用压缩的全局环境地图与裁剪但未压缩的局部地图（显示无人机智能体邻近区域）相结合的新方法，我们证明所提方法可高效扩展至大型环境。我们还扩展了先前关于泛化控制策略的结果，该策略在场景参数变化时无需重新训练，并对关键地图处理参数对路径规划性能的影响提供了详细分析。
引用
@article{arxiv.2010.06917,
title = {UAV Path Planning using Global and Local Map Information with Deep Reinforcement Learning},
author = {Mirco Theile and Harald Bayerlein and Richard Nai and David Gesbert and Marco Caccamo},
journal= {arXiv preprint arXiv:2010.06917},
year = {2022}
}
备注
ICAR 2021, code available at https://github.com/theilem/uavSim