.png){kind=icon}
返回
MASP: Scalable Graph-Based Planning Towards Multi-UAV Navigation
.png){kind=icon}
OA
AI
DOI：10.3390/drones9070463.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本研究探讨了多无人机导航任务，其中多个无人机需要在有限时间内到达初始未分配的目标。强化学习（RL）是近年来此类任务中一种流行的解决方法。然而，RL在直接探索大型搜索空间中的（近）最优策略时，样本效率较低，尤其是在无人机数量增加（例如10+架无人机）或环境复杂（例如3D四旋翼模拟器）的情况下。为解决这些挑战，本文提出了一种目标条件层次规划器——多无人机可扩展图基规划器（MASP），通过将大型搜索空间分解为多个目标条件子空间来降低空间复杂度。MASP由一个优化目标分配的高层策略和一个促进目标导航的低层策略组成。MASP采用图基表示，并引入了基于注意力的机制以及分组划分机制，以增强无人机间的协作性和适应不同团队规模的能力。结果表明，MASP在任务和执行效率方面优于RL和基于规划的基线方法。与基于规划的竞争对手相比，在包含20架无人机的3D连续四旋翼环境中，MASP将任务效率提高了27.92%以上。
Keyword:
multi-UAV navigation
reinforcement learning
goal-conditioned planning
graph-based representation
hierarchical policy
期刊
D
IF:
4.8
论文数:
3.9K
被引数:
8.3K
机构
暂无机构信息
引用论文
分享收藏Goal assignment and trajectory planning for large teams of interchangeable robots.png)
AUTONOMOUS ROBOTS
AUTONOMOUS ROBOTSIF4.3
PREAI
分享收藏Distributed Energy-Efficient Multi-UAV Navigation for Long-Term Communication Coverage by Deep Reinforcement Learning基于深度强化学习的分布式高能效多无人机导航长期通信覆盖
PREAI
分享收藏A Graph-Based PPO Approach in Multi-UAV Navigation for Communication Coverage基于图的PPO方法在多UAV导航中的应用以实现通信覆盖OAAI
OAAI分享收藏OmniDrones: An Efficient and Flexible Platform for Reinforcement Learning in Drone ControlOmniDrones: 一个用于无人机控制强化学习的**高效且灵活的平台**OAAI
OAAI分享收藏Multi-Agent Deep Reinforcement Learning for UAVs Navigation in Unknown Complex Environment未知复杂环境下无人机导航的多智能体深度强化学习
PREAI
分享收藏分享收藏
查看更多内容