Navegação Cooperativa Multi-Robô em Ambiente Dinâmico com Aprendizado Por Reforço Profundo

Os desafios da navegação multi-robô em ambientes dinâmicos residem nas incertezas relacionadas às complexidades dos obstáculos, na observação parcial dos robôs e na implementação de políticas de simulações para o mundo real. Este artigo apresenta uma abordagem cooperativa para abordar o problema de navegação multi-robô (MRNP) em ambientes dinâmicos, utilizando um quadro de aprendizado por reforço profundo (DRL), que pode ajudar múltiplos robôs a alcançar caminhos ótimos em conjunto, apesar de um certo grau de complexidade dos obstáculos. A novidade deste trabalho inclui três aspectos: (1) desenvolvimento de uma arquitetura cooperativa, na qual os robôs podem trocar informações entre si para selecionar os locais-alvo ótimos; (2) desenvolvimento de um quadro baseado em DRL que pode aprender uma política de navegação para gerar os caminhos ótimos para múltiplos robôs; (3) desenvolvimento de um mecanismo de treinamento baseado em randomização dinâmica que pode tornar a política generalizável e alcançar o máximo desempenho no mundo real. O método foi testado com simulações no Gazebo e 4 robôs de tração diferencial. Os resultados tanto das simulações quanto dos experimentos validam o desempenho superior do método proposto em termos de taxa de sucesso e tempo de viagem quando comparado às outras tecnologias de ponta.