A Strategy Adaptive Adjustment Deep Reinforcement Learning Method with Behavior Cloning for Mobile Robot Navigation
Notice bibliographique
Résumé
Deep reinforcement learning plays a key role in the navigation of mobile robots in various environments. However, current reinforcement learning training methods face challenges that suffer from: 1) the randomness of the initial parameters slows down the training speed during the training phase, and 2) the potential conflict between goal-directed tasks and obstacle avoidance tasks leads to difficulties in action selection during the navigation phase. To address these issues, we propose the Strat-egy Adaptive Reinforcement Learning(SARL) method, which combines imitation learning during the training phase, adjusts learning strategies dynamically based on agent feedback, and dynamically generates way points to guide the robot during the navigation phase. Specifically, we propose a method that dynamically integrates Twin Delayed Deep Deterministic Policy Gradient (TD3) and Behavior Cloning (BC), using dynamic feedback from the agent to adjust the data and prioritize training on high-quality samples, thereby resolving the issue of slow training speed resulting from the randomness of initial parameters. Additionally, we propose a composite constraint reward function that considers both the angle and distance to the target point, while incorporating a parking penalty, thereby effectively addressing the issue of reward sparsity. Finally, we design an intelligent replanning mechanism that generates path points based on obstacle density when the robot is stuck, resolving conflicts between goal-directed tasks and obstacle avoidance during navigation. The experimental results across multiple scenarios demonstrate that during the training process, the SARL method outperforms the state-of-the-art methods in terms of training efficiency and navigation success rate. Furthermore, SARL provides new insights for achieving efficient, flexible, and reliable autonomous navigation systems, offering improvements and enhancement potential for robot navigation in practical application scenarios.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».