.png){kind=icon}
返回
IPGDR-SAC: a lidar-driven mapless navigation algorithm using reinforcement learning
.png){kind=icon}
PRE
AI
DOI：10.1007/s10586-026-06315-2.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
提升机器人的服务能力高度依赖于其自主导航性能和运动过程中的有效避障。本研究针对当前基于深度强化学习的路径规划方法的关键局限性，如训练效率低、轨迹生成次优以及在复杂陷阱场景中表现不佳等问题。为解决这些挑战，我们提出了GDR-SAC（基于遗传和动态奖励的软演员-评论家）方法，该方法整合了专用的激光雷达数据特征提取模块以增强环境感知，定制化的SAC网络架构，适用于连续动作空间的动态奖励函数，以及通过遗传算法增强的创新采样策略。此外，我们引入了IPGDR-SAC，作为GDR-SAC的扩展，其包含一个兴趣点（PoI）探索模块，以有效应对复杂陷阱场景的导航。在多样化环境中的全面训练和评估，包括Gazebo仿真平台和真实场景，证明了所提方法的有效性。实验结果表明，GDR-SAC算法显著提高了训练效率和收敛速度，同时生成更平滑、更短、更高效的碰撞-free轨迹。此外，IPGDR-SAC通过利用激光雷达数据成功摆脱困境并处理复杂导航任务，在复杂环境中展现出卓越的自主导航性能。
Keyword:
Path planning
Deep reinforcement learning
SAC
Reward function
Interest point
期刊
C
IF:
4.1
论文数:
5.1K
被引数:
7.5K
机构
引用论文
Multi-agent deep reinforcement learning based on cloud-edge computing for urban vehicle route guidance基于云边协同的多智能体深度强化学习用于城市车辆路径引导
PREAI
分享收藏UAV Path Planning Based on Multicritic-Delayed Deep Deterministic Policy Gradient基于多批评家-延迟深度确定性策略梯度的无人机路径规划
OAAI
OAAI分享收藏Deep reinforcement learning-based rehabilitation robot trajectory planning with optimized reward functions基于深度强化学习的康复机器人轨迹规划与优化奖励函数OAAI
OAAI分享收藏Path Planning for Multi-Arm Manipulators Using Deep Reinforcement Learning: Soft Actor-Critic with Hindsight Experience Replay使用深度强化学习的多臂操纵器的路径规划: 具有事后经验重播的软行动者-批评家.png)
SENSORS
OAAI
SENSORSIF3.5
OAAI分享收藏
查看更多内容