अनजान वातावरण में मोबाइल रोबोट के लिए गहरे पुनर्बाध्यक सीखने आधारित तेज पथ योजना और नियंत्रण का डिज़ाइन और प्रयोगात्मक सत्यापन

यह लेख अनिश्चित वातावरण में अन्वेषण उद्देश्यों के लिए मोबाइल रोबोट को लक्षित स्थानों की ओर मार्गदर्शित करने और अनुकूल बृहद मार्ग ट्राजेक्टोरी की योजना बनाने की समस्या से संबंधित है। एक पदानुक्रमित गहन शिक्षण आधारित नियंत्रण ढाँचा प्रस्तावित किया गया है जिसमें एक ऊपरी स्तर का गति योजना परत और एक निचले स्तर का वेपॉइंट ट्रैकिंग परत होता है। गति योजना चरण में, मोबाइल रोबोट के लिए आदर्श कसरत प्रोफाइल की भविष्यवाणी करने के लिए एक पुनरावर्ती गहरे न्यूरल नेटवर्क (RDNN) आधारित एल्गोरिदम को अपनाया गया है। यह दृष्टिकोण हाल ही में प्रस्तावित किए गए गहरे न्यूरल नेटवर्क (DNNs) का उपयोग करके आदर्श गति ट्राजेक्टोरियों का अनुमान लगाने के विचार पर आधारित है, जिसे यह सत्यापित किया गया है कि एक तेज अनुमान प्रदर्शन हासिल किया जा सकता है। नेटवर्क की भविष्यवाणी प्रदर्शन को और बढ़ाने के लिए, एक पुनरावर्ती नेटवर्क मॉडल की सिफारिश की गई है जो पूर्व-ऑप्टिमाइज़्ड सिस्टम स्थिति और नियंत्रण जोड़ों के बीच निहित संबंध का पूर्ण रूप से उपयोग करने में सक्षम है। निचले स्तर में, एक गहरा पुनर्बाध्यक सीखने (DRL) आधारित टकराव-मुक्त नियंत्रण एल्गोरिदम स्थापित किया गया है ताकि अनिश्चित वातावरण (जैसे अप्रत्याशित बाधाओं की उपस्थिति) में वेपॉइंट ट्रैकिंग कार्य को पूरा किया जा सके। चूंकि यह दृष्टिकोण नियंत्रण नीति को मानव प्रदर्शन डेटा से सीधे सीखने की अनुमति देता है, प्रशिक्षण प्रक्रिया में आवश्यक समय को महत्वपूर्ण रूप से कम किया जा सकता है। इसके अलावा, नियंत्रण नीति की खोज दर को सुधारने के लिए एक शोर प्राथमिकता अनुभव पुनरावृत्ति (PER) एल्गोरिदम का प्रस्ताव है। प्रस्तावित गहन शिक्षण आधारित नियंत्रण के प्रभावशीलता को कई अनुकरण और प्रयोगात्मक केस अध्ययन के निष्पादन द्वारा सत्यापित किया गया है। अनुकरण परिणाम दिखाते हैं कि प्रस्तावित DRL विधि प्रशिक्षण गति के लिहाज से साधारण PER एल्गोरिदम से बेहतर है। प्रयोगात्मक वीडियो भी अपलोड किए गए हैं, और संबंधित परिणामों की पुष्टि करते हैं कि प्रस्तावित रणनीति बेहतर गति योजना प्रदर्शन, सुधारित टकराव से बचाव की क्षमता और कम प्रशिक्षण समय के साथ स्वायत्त अन्वेषण मिशन को पूरा करने में सक्षम है।