DoCRL: Double Critic Deep Reinforcement Learning for Mapless Navigation of a Hybrid Aerial Underwater Vehicle with Medium Transition

要約

モーション制御のための深層強化学習 (Deep-RL) 技術は、さまざまなロボットの意思決定の問題に対処するために継続的に使用されてきました。
これまでの研究では、Deep-RL をハイブリッド無人水中車両 (HUAUV) の中期移行など、マップレス ナビゲーションの実行に適用できることが示されました。
これらは空気と水の両方の媒体で動作できるロボットであり、将来的にはロボット工学における救助作業に使用される可能性があります。
この論文では、HUAUV のナビゲーションと媒体遷移の問題に対処するための、最先端の Double Critic Actor-Critic アルゴリズムに基づく新しいアプローチを紹介します。
範囲データと相対位置特定を使用するリカレント ニューラル ネットワークを備えた二重批判的 Deep-RL が、HUAUV のナビゲーション パフォーマンスのみを向上させることを示します。
当社の DoCRL アプローチは、以前のアプローチを上回る優れたナビゲーションおよび移行機能を実現しました。

要約(オリジナル)

Deep Reinforcement Learning (Deep-RL) techniques for motion control have been continuously used to deal with decision-making problems for a wide variety of robots. Previous works showed that Deep-RL can be applied to perform mapless navigation, including the medium transition of Hybrid Unmanned Aerial Underwater Vehicles (HUAUVs). These are robots that can operate in both air and water media, with future potential for rescue tasks in robotics. This paper presents new approaches based on the state-of-the-art Double Critic Actor-Critic algorithms to address the navigation and medium transition problems for a HUAUV. We show that double-critic Deep-RL with Recurrent Neural Networks using range data and relative localization solely improves the navigation performance of HUAUVs. Our DoCRL approaches achieved better navigation and transitioning capability, outperforming previous approaches.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google