移动机器人导航的深度强化学习混合运动规划

于红博

摘要: 自主移动机器人在复杂、动态环境中操作时面临着两大挑战：在有静态障碍物的大规模、结构多样的空间中导航，同时与各种移动实体安全互动。传统的基于图的规划器在长程路径规划方面表现出色，但缺乏反应性，而深度强化学习（DRL）方法在强大的避碰方面表现出色，但由于缺乏全局上下文，通常无法到达遥远的目标。我们提出了一种混合运动规划与深度强化学习（HMP-DRL）的框架，弥合了这一差距。我们的方法利用基于图的全局规划器生成路径，该路径通过一系列编码在状态空间和奖励函数中的检查点集成到本地DRL策略中。为了确保社交合规性，本地规划器采用了一个实体感知奖励结构，根据周围实体的语义类型动态调整安全边界和惩罚。我们通过在从真实地图数据衍生的逼真模拟环境中进行广泛测试，验证了所提出的方法。全面的实验表明，HMP-DRL在机器人导航的关键指标方面（成功率、碰撞率和到达目标的时间）始终优于其他方法，包括最先进的方法。总的来说，这些发现证实了在复杂的以人为中心的环境中，将长期路径指导与语义感知本地控制相结合显著增强了自主导航的安全性和可靠性。

更新时间: 2025-12-31 05:58:57

领域: cs.RO,cs.AI,cs.LG

下载: http://arxiv.org/abs/2512.24651v1