Kernekoncepter
Deep reinforcement learning enables Ackermann-steering robots to self-explore narrow spaces without maps or waypoints, avoiding collisions.
Resumé
自律走行ロボットの狭い空間での自己探索において、深層強化学習がマップやウェイポイントなしで衝突を避けながら狭い空間を探索することを可能にします。この研究では、長方形の安全領域表現方法とFOMT統合報酬関数が提案され、シミュレーションおよび実世界での効果的な機能性が示されました。論文では、異なる状態表現パラダイムによる衝突検出テストやトレーニング曲線の比較、さまざまな評価指標に基づくシミュレーションから実世界への展開まで包括的な内容が提供されています。
Statistik
32スキャン数を使用して衝突を検出する新しい安全領域表現法を提案。
DDPGアルゴリズムは最高のリターンを達成し、バックアップ回避スキルを学んだ。
RLFOMTセットは多くのトラックで最高の成功率を示しました。
FIRectとFIFRに比べてSRはより正確に衝突を検出することが証明されました。
RLFTセットは失敗率と衝突率が最も高かった。
Citater
"Reinforcement Learning (RL), particularly Deep Reinforcement Learning (DRL) – which employs deep neural networks for function approximations or representations – has recently achieved significant success across a diverse range of applications."
"By collision detection test among different state representation paradigms, we validate our claim on the effectiveness of the safety region."
"Our method RLFOMT strikes the highest success rate in most tracks with a lower time cost."