MeSA-DRL: Memory-Enhanced Deep Reinforcement Learning for Advanced Socially Aware Robot Navigation in Crowded Environments

自主导航能力在服务机器人中扮演着关键角色，尤其是在人类交互至关重要的环境中，因为这些环境具有动态和不可预测性。然而，人类行为的多样性对机器人在拥挤场景中预测和预期移动提出了重大挑战。为了解决这个问题，提出了一种基于记忆的深度强化学习框架，用于自主机器人在多样化的行人场景中进行导航。所提出的框架利用长期记忆来保留有关周围环境的重要信息，并有效地建模顺序依赖性。人机交互的重要性也被编码以分配更高的注意力。全局规划机制被纳入记忆增强的架构。此外，设计了多项奖励系统，通过整合动态警告区域来优先考虑和鼓励长期的机器人行为。同时，它促进平滑的轨迹，并最小化到达机器人所需目标的时间。广泛的模拟实验表明，所提出的方法优于代表性的最新方法，展示了它在现实场景中提高导航效率和安全性的能力。

论文旨在解决机器人在人类互动环境中自主导航的问题，特别是在拥挤的情况下预测和预期人类行为的挑战。

论文提出了一个利用长期记忆的深度强化学习框架，有效地建模序列依赖关系，并将人机交互的重要性编码以分配更高的关注度。

论文的实验结果表明，该方法在真实环境中提高了导航的效率和安全性，超过了现有的最先进方法。

最近的相关研究包括：'Social Attention: Modeling Attention in Human Crowds'，'Socially Aware Motion Planning with Deep Reinforcement Learning'等。