基于深度强化学习的室内视觉局部路径规划
传统的机器人局部路径规划方法多为已有先验地图的情况设计,导致其在与视觉(simultaneous localiza-tion and mapping,SLAM)结合的导航中效果不佳.为此传统的机器人局部路径规划方法多为已有先验地图的情况设计,导致其在与视觉SLAM结合的导航中效果不佳.为此,本文提出一种基于深度强化学习的视觉局部路径规划策略.首先,基于视觉同时定位与建图(SLAM)技术建立周围环境的栅格地图,并使用A*算法规划全局路径;其次,综合考虑避障、机器人行走效率、位姿跟踪等问题,构建基于深度强化学习的局部路径规划策略,设计以前进、左转、右转为基本元素的离散动作空间,以及基于彩色图、深度图、特征点图等视觉观测的状态空间,利用近端策略优化(proximal policy optimization,PPO)算法学习和探索最佳状态动作映射网络.Habitat仿真平台运行结果表明,所提出的局部路径规划策略能够在实时创建的地图上规划出一条最优或次优路径.相比于传统的局部路径规划算法,平均成功率提高了 53.9%,位姿跟踪丢失率减小了 66.5%,碰撞率减小了 30.1%.
视觉导航、深度学习、强化学习、局部路径规划、避障、视觉SLAM、近端策略优化、移动机器人
17
TP391(计算技术、计算机技术)
中国博士后科学基金;天津市自然科学基金;天津市自然科学基金
2022-10-14(万方平台首次上网日期,不代表论文的发表时间)
共11页
908-918