Details

Цель данной работы — создание алгоритма планирования траекторий без использования карт для автономных мобильных роботов, действующих в незнакомых средах, с использованием методов глубокого обучения с под-креплением (DRL). Проверка была сосредоточена на методах навигации на основе DRL, работающих без знания о среде или ее предварительно созданной карты. В работе были поставлены и решены следующие пять задач: 1. Обзор современных подходов DRL для навигации роботов; 2. Разработка метода планирования траектории без карты на основе алгоритма Soft Actor-Critic (SAC) с использованием необработанных данных сенсоров; 3. Реализация предложенного метода в симуляционной среде ROS 2–Gazebo; 4. Оценка показателей успешности выполнения задачи, способности к обобщению и вычислительной эффективности. В результате работы был создан функциональный агент DRL, способный осуществлять навигацию в сложных, ранее неизвестных средах, содержащих как статические, так и динамические препятствия. Агент достигает показателя успешности выполнения задачи свыше 95% при работе в реальном времени. Полученные результаты демонстрируют, что сквозной подход к навигации на основе DRL с использованием SAC представляет собой надежную и экономичную по количеству обучающих примеров альтернативу традиционным модульным системам навигации. Результаты данного исследования могут способствовать разработке решений для автономной навигации в таких приложениях, как складская логистика, операции по поиску и спасению, а также сервисная робототехника в неотображённых или неструктурированных средах.

This paper aims to create an uncharted path planning algorithm based on deep reinforcement learning (DRL) to be used by autonomous mobile robots working in unfamiliar settings. The paper is aimed at end-to-end DRL-based navigation methods that operate with no prior information about the environment or pre-made maps. The four goals of the research were: 1. Reviewing modern DRL approaches for robotic navigation; 2. Creating an approach of mapless path planning with the help of the Soft Actor-Critic (SAC) algorithm on raw sensor inputs; 3. Implementing the proposed method in a ROS 2–Gazebo simulation environment; 4. Evaluating its task success rate, generalization capability, and computational efficiency. The work has created a working DRL agent that is able to navigate complicated and unfamiliar environment with fixed and moving obstacles. The agent has a success rate of over 95 percent when performing the tasks in real-time. As shown by the results, an end-to-end DRL solution using SAC can be a strong and sample efficient alternative to the conventional modular navigation systems. The results of this study may contribute to the creation of autonomous navigation systems that can be applied to warehouse logistics, search and rescue activities, and service robotics in unmapped or unstructured settings.