Local Navigation Among Movable Obstacles with Deep Reinforcement Learning

要約

自律ロボットは、NAMO（Navigation Among Movable Obstacle）問題として知られる経路計画タスクを解決するために、環境を操作する能力を獲得することで多くの恩恵を受けるだろう。本稿では、NAMO問題を局所的に解くための深層強化学習アプローチを紹介する。マルチモーダルニューラルネットワークを用いたアドバンテージアクタークリティックに基づくアルゴリズムを用いて、物理シミュレーションで並列エージェントを訓練する。障害物を非軸方向に整列して押し、予期しない障害物のダイナミクスにリアルタイムで反応し、局所的なNAMO問題を解くことができるオンラインポリシーを提示する。シミュレーションによる実験的検証により、本アプローチが未知の環境における未知のNAMO問題に対して一般的であることを示す。さらに、本方針を実際の四足歩行ロボットに実装し、本方針が実環境のセンサノイズや不確実性に対応できることを示す。

要約(オリジナル)

Autonomous robots would benefit a lot by gaining the ability to manipulate their environment to solve path planning tasks, known as the Navigation Among Movable Obstacle (NAMO) problem. In this paper, we present a deep reinforcement learning approach for solving NAMO locally, near narrow passages. We train parallel agents in physics simulation using an Advantage Actor-Critic based algorithm with a multi-modal neural network. We present an online policy that is able to push obstacles in a non-axial-aligned fashion, react to unexpected obstacle dynamics in real-time, and solve the local NAMO problem. Experimental validation in simulation shows that the presented approach generalises to unseen NAMO problems in unknown environments. We further demonstrate the implementation of the policy on a real quadrupedal robot, showing that the policy can deal with real-world sensor noises and uncertainties in unseen NAMO tasks.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL