Collision Avoidance for Multiple UAVs in Unknown Scenarios with Causal Representation Disentanglement

要約

深層強化学習（Deep Reinforcement Learning：DRL）は、マルチUAVシステムのオンライン経路計画タスクにおいて目覚ましい進歩を遂げている。しかし、既存のDRLベースの手法は、視覚表現における非因果的要因が政策学習に悪影響を与えるため、未知のシナリオに取り組む際に性能低下に悩まされることが多い。この問題に対処するために、我々は新しい表現学習アプローチである「因果的表現分離（causal representation disentanglement）」を提案する。これにより、DRLモデルの汎化能力を効果的に向上させることができる。実験の結果、提案手法は、特に未知のシナリオにおいて、ロバストな航行性能と効果的な衝突回避を達成でき、既存のSOTAアルゴリズムを大幅に上回ることが示された。

要約(オリジナル)

Deep reinforcement learning (DRL) has achieved remarkable progress in online path planning tasks for multi-UAV systems. However, existing DRL-based methods often suffer from performance degradation when tackling unseen scenarios, since the non-causal factors in visual representations adversely affect policy learning. To address this issue, we propose a novel representation learning approach, \ie, causal representation disentanglement, which can identify the causal and non-causal factors in representations. After that, we only pass causal factors for subsequent policy learning and thus explicitly eliminate the influence of non-causal factors, which effectively improves the generalization ability of DRL models. Experimental results show that our proposed method can achieve robust navigation performance and effective collision avoidance especially in unseen scenarios, which significantly outperforms existing SOTA algorithms.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL