Deep Reinforcement Learning with Enhanced PPO for Safe Mobile Robot Navigation

无碰撞运动对于移动机器人至关重要。大多数解决轮式机器人无碰撞和高效导航的方法需要专家进行参数调整，以获得良好的导航行为。本研究探讨了使用深度强化学习来训练移动机器人在复杂环境中自主导航的应用。机器人利用LiDAR传感器数据和深度神经网络生成控制信号，引导它朝着指定目标移动并避开障碍物。我们在Gazebo模拟环境中采用了两种强化学习算法：深度确定性策略梯度和近端策略优化。本研究引入了增强的神经网络结构在近端策略优化算法中以提高性能，并设计了良好的奖励函数以提高算法效果。在有障碍和无障碍环境中进行的实验结果强调了所提出方法的有效性。本研究通过应用深度强化学习显著促进了在复杂环境中自主机器人技术的发展。

研究如何使用深度强化学习训练移动机器人在复杂环境中进行自主导航，避免碰撞

使用LiDAR传感器数据和深度神经网络生成控制信号，引导机器人朝向指定目标并避开障碍物，采用深度确定性策略梯度和近端策略优化两种强化学习算法，并提出了增强神经网络结构和设计良好的奖励函数以提高算法性能

实验在有障碍和无障碍环境下进行，结果表明该方法的有效性，研究为深度强化学习在复杂环境中的应用做出了贡献

近期相关研究包括： 1. "Improving Deep Reinforcement Learning for Autonomous Navigation Through Human Feedback"； 2. "End-to-End Learning of Deep Visual Representations for Image-based Navigation Using Reinforcement Learning"