NGHIÊN CỨU THUẬT TOÁN DEEP REINFORCEMENT LEARNING ĐIỀU KHIỂN MOBILE ROBOT ĐIỀU HƯỚNG TỰ ĐỘNG

Tóm tắt

Hoạch định chuyển động (motion planning) là yếu tố quan trọng để cho phép các robot di động hoạt động một cách tự động. Khi các trường hợp ứng dụng của robot trở nên phức tạp và khó đoán hơn, các bộ hoạch định chuyển động phân cấp truyền thống gặp phải những thách thức đáng kể. Tuy nhiên, với những tiến bộ trong học sâu, các bộ hoạch định chuyển động dựa trên học tăng cường sâu (DRL) đã trở thành một điểm nóng nghiên cứu nhờ vào nhiều tính năng ưu việt của chúng. Trong bài báo này, chúng tôi đề xuất một phương pháp học tăng cường sâu, tận dụng các dữ liệu laser thô và sử dụng thư viện PIC4rl-gym để xây dựng môi trường mô phỏng trên Gazebo. Các thí nghiệm cho thấy phương pháp đề xuất đã cho thấy khả năng điều hướng tự động hoàn toàn của mobile robot, và kết quả huấn luyện đã xác nhận tính hiệu quả của thuật toán.

Title

STUDY ON DEEP REINFORCEMENT LEARNING ALGORITHM FOR AUTONOMOUS NAVIGATION OF MOBILE ROBOT

Abstract

Motion planning is essential for enabling mobile robots to operate autonomously. As robot application scenarios become more complex and unpredictable, traditional hierarchical motion planners face significant challenges. However, with advancements in deep learning, motion planners based on deep reinforcement learning (DRL) have gained attention as a research hotspot due to their numerous advantageous features. In this paper, we propose a deep reinforcement learning approach, leveraging raw laser scans and PIC4rl-gym library to build simulation environment on Gazebo. The experiments show that the proposed method has enabled fully autonomous navigation of the agent, and the training results verify the effectiveness of the algorithm.