Die Studie präsentiert einen innovativen Ansatz für die Roboternavigation in dichten Menschenmengen, der auf einem gedächtnisenablierten tiefen Verstärkungslernen (MeSA-DRL) basiert. Der Kernaspekt ist die Verwendung von Gated Recurrent Units (GRU), um wichtige Informationen über die Umgebung über längere Zeiträume hinweg zu speichern und zu nutzen.
Das Modell kombiniert diese Gedächtnisfähigkeit mit einer Aufmerksamkeitsmechanik, um die Interaktionen zwischen Roboter und Menschen zu erfassen, sowie mit einem globalen Planungssystem, um eine sichere und effiziente Navigation zu gewährleisten. Darüber hinaus wurde ein mehrteiliges Belohnungssystem entwickelt, das dynamische Warnzonen berücksichtigt, um das Verhalten des Roboters in Richtung einer kollisionsfreien und zeiteffizienten Navigation zu lenken.
Die umfangreichen Simulationsexperimente zeigen, dass der vorgeschlagene Ansatz die Leistung repräsentativer State-of-the-Art-Methoden in Bezug auf Sicherheit und Effizienz in realen Szenarien mit dichten Menschenmengen übertrifft. Darüber hinaus wurde der Ansatz erfolgreich in Realweltexperimenten mit einem Turtlebot 3-Roboter getestet, was seine Anwendbarkeit in der Praxis demonstriert.
To Another Language
from source content
arxiv.org
Ключові висновки, отримані з
by Mannan Saeed... о arxiv.org 04-09-2024
https://arxiv.org/pdf/2404.05203.pdfГлибші Запити