Adaptive speed planning for Unmanned Vehicle Based on Deep Reinforcement Learning

要約

無人車両が障害物に近づくと頻繁に減速するという問題を解決するために、この記事では、ディープ Q ネットワーク (DQN) とその拡張であるダブル ディープ Q ネットワーク (DDQN) を使用して、障害物に近づくときに適応するローカル ナビゲーション システムを開発します。
最適な速度計画を維持しながら障害物を回避します。
改善された報酬関数と障害物角度決定方法を統合することにより、システムは頻繁に減速することなく操縦能力が大幅に向上します。
障害物密度が異なる模擬環境で行われた実験により、より安定した効率的な経路計画を達成する上での提案手法の有効性が確認されました。

要約(オリジナル)

In order to solve the problem of frequent deceleration of unmanned vehicles when approaching obstacles, this article uses a Deep Q-Network (DQN) and its extension, the Double Deep Q-Network (DDQN), to develop a local navigation system that adapts to obstacles while maintaining optimal speed planning. By integrating improved reward functions and obstacle angle determination methods, the system demonstrates significant enhancements in maneuvering capabilities without frequent decelerations. Experiments conducted in simulated environments with varying obstacle densities confirm the effectiveness of the proposed method in achieving more stable and efficient path planning.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google