Key points are not available for this paper at this time.
도시 수색 및 구조 (USAR) 임무에서, 모바일 구조 로봇은 피해자를 찾기 위해 혼잡한 재난 환경을 탐색해야 합니다. 그러나 이러한 환경은 로봇이 탐색해야 하는 모르는 거친 지형 때문에 매우 도전적일 수 있습니다. 본 논문에서는 이러한 혼잡한 환경에서 로봇 내비게이션 문제를 해결하기 위해 심층 강화 학습 (DRL)을 첫 번째로 사용한 사례를 독창적으로 탐구합니다. 우리는 로봇의 온보드 센서에서 수집한 원시 감각 데이터를 사용하여 모바일 로봇이 실행할 일련의 지역 내비게이션 행동을 결정하는 DRL 네트워크를 개발하고 훈련했습니다. 우리의 접근 방식의 성능은 다양한 크기와 통과 가능성을 가진 여러 독특한 3D 시뮬레이션 환경에서 성공적으로 테스트되었습니다.
Zhang et al. (Wed,)는 이 질문을 연구했습니다.