EnCoMP: Enhanced Covert Maneuver Planning using Offline Reinforcement Learning

在复杂环境中进行覆盖导航是自主机器人面临的一个重要挑战，需要识别和利用环境遮盖物，同时保持高效的导航。我们提出了一种增强导航系统，使机器人能够识别和利用自然和人工环境特征作为遮盖物，从而最小化暴露于潜在威胁的风险。我们的感知管道利用激光雷达数据生成高保真度的覆盖地图和潜在威胁地图，提供周围环境的全面理解。我们使用来自真实环境的多样数据集训练离线强化学习模型，学习一个强大的策略，根据候选动作的能力来最大化利用遮盖物、最小化暴露于威胁和高效到达目标。广泛的实际实验表明，与现有技术相比，我们的方法在成功率、覆盖利用、暴露最小化和导航效率方面具有优越性。

本论文试图解决自主机器人在复杂环境中导航时的难题，即如何在保持高效导航的同时识别和利用环境遮蔽物，从而最小化机器人暴露在潜在威胁下的风险。

本论文提出了一种增强导航系统，利用LiDAR数据生成高保真度的环境遮蔽图和潜在威胁图，采用离线强化学习模型训练机器人在真实环境中最大化利用环境遮蔽物、最小化暴露在威胁下的风险、并且高效到达目的地的策略。

本论文的亮点包括：使用LiDAR数据生成高保真度的环境遮蔽图和潜在威胁图；采用离线强化学习模型训练机器人最大化利用环境遮蔽物、最小化暴露在威胁下的风险、并且高效到达目的地的策略；在真实环境中进行了广泛的实验，结果表明本方法在成功率、环境遮蔽物利用率、暴露风险最小化和导航效率等方面优于现有方法。

在这个领域中，最近的相关研究包括："CoverNet: Multi-Task Learning Using Weak Feedback for Joint Detection and Segmentation of Cover in Satellite Imagery"、"Learning to Navigate in Complex Environments"、"Semi-Supervised Learning for Autonomous Navigation with Deep Reinforcement Learning"等。