MeSA-DRL: Aprendizaje por Refuerzo Profundo Mejorado por Memoria para Navegación Robótica Avanzada con Conciencia Social en Entornos Concurridos

Las capacidades de navegación autónoma desempeñan un papel crítico en los robots de servicio que operan en entornos donde las interacciones humanas son fundamentales, debido a la naturaleza dinámica e impredecible de estos entornos. Sin embargo, la variabilidad en el comportamiento humano presenta un desafío sustancial para los robots en predecir y anticipar movimientos, particularmente en escenarios concurridos. Para abordar este problema, se propone un marco de aprendizaje por refuerzo profundo habilitado para la memoria para la navegación autónoma de robots en diversos escenarios peatonales. El marco propuesto aprovecha la memoria a largo plazo para retener información esencial sobre el entorno y modelar dependencias secuenciales de manera efectiva. La importancia de las interacciones humano-robot también se codifica para asignar mayor atención a estas interacciones. Se incorpora un mecanismo de planificación global en la arquitectura habilitada para la memoria. Adicionalmente, se diseña un sistema de recompensas de múltiples términos para priorizar y fomentar comportamientos robóticos a largo plazo incorporando zonas de advertencia dinámicas. Al mismo tiempo, promueve trayectorias suaves y minimiza el tiempo necesario para alcanzar la meta deseada del robot. Amplios experimentos de simulación muestran que el enfoque sugerido supera métodos representativos de vanguardia, demostrando su capacidad para una eficiencia de navegación y seguridad en escenarios del mundo real.