2D LiDAR를 이용한 기계 학습 제어 모바일 로봇을 위한 현실적인 반사실적 설명

이 논문은 2D LiDAR를 이용한 모바일 로봇의 기계 학습(ML) 기반 제어를 위한 현실적인 반사실적 설명(CFE)을 생성하는 혁신적인 방법을 제시합니다. ML 모델, 특히 인공 신경망(ANN)은 데이터로부터 학습하여 고급 의사결정 및 제어 기능을 제공할 수 있습니다. 그러나 이들은 종종 블랙 박스로 작동하여 해석하기 어렵습니다. 이는 안전이 중요한 제어 애플리케이션에서 특히 문제입니다. 현실적인 CFE를 생성하기 위해 우리는 원과 직사각형과 같은 간단한 형태로 LiDAR 공간을 파라미터화하며, 이 파라미터는 유전 알고리즘에 의해 선택됩니다. 구성을 레이캐스팅을 통해 LiDAR 데이터로 변환합니다. 우리의 모델 독립적 접근법은 기본 LiDAR 상태와 유사하지만 사용자의 쿼리에 기반하여 사전 정의된 ML 모델 제어 출력을 생성하도록 수정된 합성 LiDAR 데이터 형식으로 CFE를 생성합니다. 우리는 실제 및 시뮬레이션 시나리오에서 심층 강화 학습(DRL)을 사용하여 제어되는 모바일 로봇, TurtleBot3에서 우리의 방법을 시연합니다. 우리의 방법은 합리적이고 현실적인 CFE를 생성하여 DRL 에이전트의 의사 결정을 해석하는 데 도움을 줍니다. 이 논문은 모바일 로봇 분야에서 설명 가능한 AI의 발전에 기여하며, 우리의 방법은 ML 기반 자율 제어를 이해하고 디버깅하며 개선하는 도구가 될 수 있습니다.