未知环境下移动机器人自主避障算法的研究

问泽藤，温淑慧,*，张 迪

(1.燕山大学 智能控制系统与智能装备教育部工程研究中心，河北 秦皇岛 066004; 2.燕山大学 工业计算机控制工程河北省重点实验室，河北 秦皇岛 066004)

0 引言

自主避障能力是移动机器人进行路径规划必不可少的基本能力之一，研究早期的大部分学者致力于研究静态的、单个障碍物的简单情形[1-2]，并取得了不错的成果，然而现实生活环境是非结构化且未知的，机器人对周围环境的感知会因为各种干扰存在不确定性，如何在未知的非结构化环境中实现机器人高效的自主避障与目标导航，至今仍是一个研究热点与难点。

随着人工智能技术逐渐地发展，一种基于深度学习的避障算法被研究出来。这种算法旨在使机器人通过深度神经网络来感知传感器的传输数据,以学习控制策略。根据学者们的研究成果，可以将基于学习的避障算法归结为两类。第一类是通过智能学习训练机器人学习控制策略。该类方法一般使用深度神经网络对机器人避障问题进行建模，并通过大型数据集对其进行训练[3-5]。但是这种方法在很大程度上依赖于大量涵盖各种场景的训练数据，并且它对环境变化的泛化能力较弱。第二种方法是使用端到端的深度强化学习(DRL)框架。ZHU等人[6]基于预训练的ResNet构建了一个结合深度学习的Actor-Critic模型，实现离散三维环境中的机器人导航。TAI等人[7]通过连续的DRL算法训练了一个端到端的策略，通过将10维激光数据和相对的目标位置作为输入状态来解决无先验地图信息的导航问题。……