論文の概要: 3D RL-DWA: A Hybrid Reinforcement Learning and Dynamic Window Approach for Goal-Directed Local Navigation in Multi-DoF Robots
- arxiv url: http://arxiv.org/abs/2605.12689v1
- Date: Tue, 12 May 2026 19:37:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-14 23:30:27.649873
- Title: 3D RL-DWA: A Hybrid Reinforcement Learning and Dynamic Window Approach for Goal-Directed Local Navigation in Multi-DoF Robots
- Title（参考訳）: 3D RL-DWA:マルチDoFロボットにおけるゴール指向局所ナビゲーションのためのハイブリッド強化学習と動的ウィンドウアプローチ
- Authors: Chiara Castellani, Enrico Turco, Domenico Prattichizzo,
- Abstract要約: 本稿では,Reinforcement Learning (RL) と Dynamic Window Approach (DWA) を組み合わせた新しいハイブリッド手法を提案する。
本手法は, 変形可能なマイクロロボットの運動と形状を動的に調整するために, スパース点雲データを利用する。
1080の試験に基づく実験の結果、DWAベースのローカルプランナーとRLを統合することにより、変形能力と航法能力の両方が大幅に向上することが示唆された。
- 参考スコア（独自算出の注目度）: 5.723747457483321
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this paper, we present a novel hybrid approach that combines Reinforcement Learning (RL) with Dynamic Window Approach (DWA) for adaptive 3D local navigation of high-degree-of-freedom robotic systems. Our method leverages sparse point cloud data to dynamically adjust both the motion and the shape of a deformable microrobot, enabling the system to navigate toward a goal in complex, constrained environments while maximizing the occupied volume. We evaluate our framework in a simulated vascular network. Experimental results, based on 1080 trials, indicate that integrating RL with a DWA-based local planner significantly enhances both deformation and navigation capabilities compared to a pure RL and a model-based methods. In particular, the proposed autonomous controller consistently achieves high deformation and near-perfect path completion during training and maintains robust performance in unseen scenarios. These findings highlight the potential of hybrid planning strategies for efficient and adaptive 3D navigation under sparse sensory conditions.
- Abstract（参考訳）: 本稿では,Reinforcement Learning (RL) と Dynamic Window Approach (DWA) を組み合わせて,高自由度ロボットシステムの適応型3次元局所ナビゲーションを提案する。
本手法は, 分散点雲データを用いて変形可能なマイクロロボットの運動と形状を動的に調整し, 占有体積を最大化しながら, 複雑な制約環境下で目標に向かって移動できるようにする。
シミュレーションされた血管ネットワークにおいて,我々の枠組みを評価する。
1080の試験に基づく実験の結果、DWAベースのローカルプランナーとRLを統合することで、純粋なRLとモデルベースの手法と比較して、変形と航法の両方が大幅に向上することが示された。
特に、提案した自律制御器は、トレーニング中に高い変形とほぼ完璧な経路補完を一貫して達成し、目に見えないシナリオで堅牢な性能を維持する。
これらの知見は, 疎知覚条件下での効率的かつ適応的な3次元ナビゲーションのためのハイブリッド計画戦略の可能性を強調した。
関連論文リスト
- Hybrid Motion Planning with Deep Reinforcement Learning for Mobile Robot Navigation [0.0]
深部強化学習(HMP-DRL)によるハイブリッド運動計画
状態空間と報酬関数の両方に符号化されたチェックポイントのシーケンスを通じて、局所DRLポリシーに統合されたパスを生成するグラフベースのグローバルプランナを提案する。
社会的コンプライアンスを確保するため、地域プランナーは、周辺エージェントのセマンティックタイプに基づいて、安全マージンと罰則を動的に調整するエンティティ対応報酬構造を採用する。
論文 参考訳（メタデータ） (2025-12-31T05:58:57Z) - World Models for Autonomous Navigation of Terrestrial Robots from LIDAR Observations [0.7239024032079358]
本稿では,DreamerV3アルゴリズム上に構築された新しいモデルベースRLフレームワークを提案する。
MLP-VAE(Multi-Layer Perceptron Variational Autoencoder)を世界モデルに統合し、高次元LIDAR読み出しをコンパクトな潜在表現に符号化する。
シミュレーションされたTurtleBot3ナビゲーションタスクの実験は、提案アーキテクチャがより高速な収束とより高い成功率を達成することを示す。
論文 参考訳（メタデータ） (2025-12-03T04:15:31Z) - Reinforcement Twinning for Hybrid Control of Flapping-Wing Drones [0.0]
本稿では,提案手法に基づくハイブリッドモデルフリー/モデルベースによる飛行制御手法を提案する。
このアルゴリズムは、羽ばたき翼ドローンの縦方向のダイナミクスを制御するために評価される。
論文 参考訳（メタデータ） (2025-05-21T12:27:09Z) - World Model-Based Learning for Long-Term Age of Information Minimization in Vehicular Networks [53.98633183204453]
本稿では,車載ネットワークにおけるパケット完全性認識情報(CAoI)の年齢を最小化するために,新しい世界モデルに基づく学習フレームワークを提案する。
mmWave V2X環境の動的モデルを共同で学習し、リンクスケジューリングの方法を学ぶための軌跡を想像するために使用する世界モデルフレームワークを提案する。
特に、長期的な政策は環境相互作用の代わりに、異なる想像軌道で学習される。
論文 参考訳（メタデータ） (2025-05-03T06:23:18Z) - Deep Learning-Based Multi-Modal Fusion for Robust Robot Perception and Navigation [1.71849622776539]
本稿では,自律ナビゲーションロボットの知覚能力向上を目的とした,ディープラーニングに基づくマルチモーダル融合アーキテクチャを提案する。
革新的な特徴抽出モジュール、適応融合戦略、時系列モデリング機構を利用して、RGB画像とLiDARデータを効果的に統合する。
論文 参考訳（メタデータ） (2025-04-26T19:04:21Z) - Inverse RL Scene Dynamics Learning for Nonlinear Predictive Control in Autonomous Vehicles [0.0]
本稿では,自律ナビゲーションのための深層学習に基づくScene Dynamics(DL-NMPC-SD)手法を提案する。
DL-NMPC-SDは、時間範囲センシング情報から学習したシーンダイナミクスモデルと組み合わせて、アプリオリ名車モデルを使用する。
論文 参考訳（メタデータ） (2025-04-02T03:46:37Z) - Learning from Reward-Free Offline Data: A Case for Planning with Latent Dynamics Models [79.2162092822111]
我々は,一連のナビゲーションタスクにおいて,強化学習(RL)と制御に基づく手法を体系的に評価する。
我々は、JEPA(Joint Embedding Predictive Architecture)を使用して、潜在ダイナミクスモデルを使用し、それを計画に使用します。
その結果,モデルベースプランニングではレイアウトが不明瞭になるのに対して,モデルフリーのRLは高品質なデータから恩恵を受けることがわかった。
論文 参考訳（メタデータ） (2025-02-20T18:39:41Z) - Confidence-Controlled Exploration: Efficient Sparse-Reward Policy Learning for Robot Navigation [72.24964965882783]
強化学習(RL)はロボットナビゲーションにおいて有望なアプローチであり、ロボットは試行錯誤を通じて学習することができる。
現実世界のロボットタスクは、しばしばまばらな報酬に悩まされ、非効率な探索と準最適政策に繋がる。
本稿では,RLに基づくロボットナビゲーションにおいて,報酬関数を変更せずにサンプル効率を向上させる新しい手法であるConfidence-Controlled Exploration (CCE)を紹介する。
論文 参考訳（メタデータ） (2023-06-09T18:45:15Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。