迈向深度强化学习的优化：以实现单机器人和多机器人环境中的自主探索

《ACM Computing Surveys》：Towards Optimization of Deep Reinforcement Learning for Autonomous Exploration in Single and Multi-Robot Environments

　　

摘要 AI摘要

要查看此由AI生成的摘要，您必须具有高级访问权限。

了解更多 登录

摘要

摘要

在当代机器人应用中，自主探索未知环境是一个关键挑战。深度强化学习（DRL）在机器人探索中的应用已被开发出来，用于设计适用于复杂现实世界场景的高效探索策略。过去有关于DRL在探索中应用的综述，但DRL的优化方面尚未得到广泛研究。本调查重点关注单机器人和多机器人应用的探索，特别讨论了路径规划方面的问题，如导航、覆盖范围和轨迹。该调查强调了从以往工作中衍生出的DRL的关键要素，包括状态和观察、动作以及奖励。最后，本调查的主要贡献在于回顾了以往工作如何优化DRL的实现，以克服该方法固有的局限性，包括训练过程中探索效率低下的问题，这些问题共同限制了这些算法在真正未知环境中的适应性和鲁棒性，因为它们对资源的需求较高。根据我们的调查，当前研究缺乏使用推理实体进行训练的探索方法，而是依赖于先前的环境知识。这突显了需要具有内置推理能力的探索策略，并减少对现有数据的依赖。

AI摘要

AI生成的摘要（实验性）

此摘要是使用自动化工具生成的，并非由文章作者撰写或审核。它旨在帮助发现、评估相关性，并协助来自相关研究领域的读者理解本文内容。它旨在补充作者提供的摘要，后者仍是论文的官方摘要。完整文章才是权威版本。点击此处了解更多。

点击此处对摘要的准确性、清晰度和实用性进行评论。您的反馈将有助于改进未来的版本。

要查看此由AI生成的通俗语言摘要，您必须具有高级访问权限。