Детальная информация

Работа посвящена проблеме навигации мобильных роботов в частично наблюдаемых средах, где неопределенность состояния существенно влияет на производительность. Мы предлагаем новый подход, сочетающий алгоритм обучения с подкреплением Twin Delayed Deep Deterministic Policy Gradient (TD3) с оценкой вероятностного представления состояния. Эта интегрированная структура обеспечивает автономную навигацию в сложных средах за счет учета неопределенности состояния. Результаты моделирования демонстрируют повышенную эффективность по сравнению с исходным алгоритмом TD3.

This work addresses the challenge of mobile robot navigation in partially observable environments, where state uncertainty significantly impacts performance. We propose a novel approach combining Twin Delayed Deep Deterministic Policy Gradient (TD3) reinforcement learning algorithm with explicit belief state estimation. This integrated framework enables autonomous navigation in complex environments by explicitly accounting for state uncertainty. Simulation results demonstrate improvements compared to the original Twin Delayed Deep Deterministic Policy Gradient (TD3) algorithm.

"Промышленный искусственный интеллект (ПИИ'2025)", всероссийская научно-практическая конференция (2025; Санкт-Петербург). Промышленный искусственный интеллект (ПИИ'2025): Всероссийская научно-практическая конференция с международным участием 3–4 июля 2025 года: cборник научных трудов / Российская академия наук, Санкт-Петербургское отделение, Санкт-Петербургский политехнический университет Петра Великого, Санкт-Петербургский государственный университет; под общей редакцией Д. Г. Арсеньева. — Санкт-Петербург: ПОЛИТЕХ-ПРЕСС, 2025. — 1 файл (197 Мб Мб). — Загл. с титул. экрана. — Ч. текста парал. на рус. и англ. яз. — Электронная копия печатной публикации 2025 г. — Доступ по паролю из сети Интернет (чтение, печать, копирование). — <URL:http://elib.spbstu.ru/dl/2/i25-310.pdf>. — DOI 10.18720/SPBPU/2/i25-310. — Текст: электронный