EnCoMP: Enhanced Covert Maneuver Planning using Offline Reinforcement Learning

要約

複雑な環境における遮蔽物ナビゲーションは自律型ロボットにとって重要な課題であり、効率的なナビゲーションを維持しながら環境遮蔽物を識別して利用する必要があります。
私たちは、ロボットが自然および人工の環境特徴を識別して遮蔽物として利用できるようにする強化されたナビゲーション システムを提案します。これにより、潜在的な脅威への曝露を最小限に抑えることができます。
当社の認識パイプラインは、LiDAR データを活用して高忠実度のカバー マップと潜在的な脅威マップを生成し、周囲の環境の包括的な理解を提供します。
私たちは、実世界の環境から収集された多様なデータセットを使用してオフライン強化学習モデルをトレーニングし、カバーの利用率を最大化し、脅威への露出を最小限に抑え、効率的に目標を達成する能力に基づいて候補アクションの品質を評価する堅牢なポリシーを学習します。
広範な実世界での実験により、最先端の方法と比較して、成功率、遮蔽物の利用、露出の最小化、およびナビゲーション効率の点で当社のアプローチの優位性が実証されています。

要約(オリジナル)

Cover navigation in complex environments is a critical challenge for autonomous robots, requiring the identification and utilization of environmental cover while maintaining efficient navigation. We propose an enhanced navigation system that enables robots to identify and utilize natural and artificial environmental features as cover, thereby minimizing exposure to potential threats. Our perception pipeline leverages LiDAR data to generate high-fidelity cover maps and potential threat maps, providing a comprehensive understanding of the surrounding environment. We train an offline reinforcement learning model using a diverse dataset collected from real-world environments, learning a robust policy that evaluates the quality of candidate actions based on their ability to maximize cover utilization, minimize exposure to threats, and reach the goal efficiently. Extensive real-world experiments demonstrate the superiority of our approach in terms of success rate, cover utilization, exposure minimization, and navigation efficiency compared to state-of-the-art methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google