【标题】Rule-Based Reinforcement Learning for Efficient Robot Navigation with Space Reduction

【作者团队】Yuanyang Zhu, Zhi Wang, Chunlin Chen, Daoyi Dong

【论文链接】https://arxiv.org/pdf/2104.07282.pdf

【发表时间】2021.4.15

【推荐理由】本文提出了一种基于规则的RL（RuRL）空间缩减机器人导航算法，其利用三条规则以减少冗余的探测空间，并指导探测策略。然后，本文评估了单间环境和多间环境下的RuRL，其中使用SLAM移动机器人构建地图。实验结果表明，RuRL能有效地提高导航性能，并具有良好的可扩展性。

在现实世界中，允许机器人在复杂环境中自主导航是至关重要的。传统的方法通常维护环境的内部地图，然后设计几个简单的规则，结合定位和规划方法，在内部地图中导航。这些方法通常涉及各种假设和先验知识。相比之下，最新的强化学习（RL）方法可以在机器人与初始未知的环境交互时，提供一种无模型的自学习机制，但由于探测效率低，在现实场景中部署成本很高。故本文以RL技术为核心，结合这两种方法的优点，提出了一种基于规则的RL（RuRL）算法，以降低样本复杂度和时间成本。首先，利用壁面跟随规则生成闭环轨迹。其次，采用归约法则来缩小轨迹，从而有效地减少了冗余的探测空间。此外，本文还从理论上详细保证了最优导航路径仍在缩小的空间内。第三，在缩减空间中，利用Pledge规则来指导探索策略，以在早期阶段加速RL过程。在hex网格环境下对实际机器人导航问题进行的实验表明，RuRL算法可以提高机器人的导航性能。

内容中包含的图片若涉及版权问题，请及时与我们联系删除