VAPOR：利用离线强化学习的腿式机器人在户外植被中导航
机器人学
2023-09-21 v2 人工智能
摘要
我们提出 VAPOR，一种利用离线强化学习（RL）在 unstructured、密集植被覆盖的户外环境中实现腿式机器人自主导航的新方法。我们的方法使用 actor-critic 网络以及在实际户外植被中收集的任意数据来训练一个新的 RL 策略。我们的策略使用由 3D LiDAR 点云导出的基于高度和强度的代价地图、目标代价地图以及处理后的本体感知数据作为状态输入，并学习周围障碍物的物理与几何属性，如高度、密度和坚实度/刚度。完全训练后的策略的 critic 网络随后用于评估由新型上下文感知规划器生成的动态可行速度的质量。我们的规划器根据致陷植被的存在以及密集环境中的狭窄通道来调整机器人的速度空间。我们在包括密集植被的复杂真实户外场景中，于 Spot 机器人上展示了我们方法的能力。我们观察到，与现有的端到端离线 RL 及其他户外导航方法相比，VAPOR 的动作将成功率提高了至多 40%，平均电流消耗降低了至多 2.9%，归一化轨迹长度减少了至多 11.2%。
引用
@article{arxiv.2309.07832,
title = {VAPOR: Legged Robot Navigation in Outdoor Vegetation Using Offline Reinforcement Learning},
author = {Kasun Weerakoon and Adarsh Jagan Sathyamoorthy and Mohamed Elnoor and Dinesh Manocha},
journal= {arXiv preprint arXiv:2309.07832},
year = {2023}
}