DRL-basierte Navigationsansätze in der industriellen Robotik

Mobile Roboter sind in verschiedenen Bereichen der Industrie zu wichtigen Werkzeugen geworden, insbesondere in der Logistik. Die sichere Navigation in hochdynamischen Umgebungen stellt jedoch weiterhin eine große Herausforderung für klassische Pfadplanungsansätze dar. Deep Reinforcement Learning (DRL) hat sich als alternative Planungsmethode herauskristallisiert, um allzu konservative Ansätze zu ersetzen und verspricht eine effizientere und flexiblere Navigation. Diese Ansätze sind jedoch aufgrund ihrer Anfälligkeit für lokale Minima und das Mangeln eines Langzeitgedächtnisses nicht für die Langstreckennavigation geeignet, was eine breite Integration in industrielle Anwendungen der mobilen Robotik behindert. Dieser Beitrag stellt einen Ansatz für die Integration von DRL-basierter Navigation in existierende Navigationsansätze von industrieller mobiler Robotik vor.

Recently, mobile robots have become important tools in various industries, especially in logistics. Deep reinforcement learning emerged as an alternative planning method to replace overly conservative approaches and promises more efficient and flexible navigation. However, deep reinforcement learning approaches are not suitable for long-range navigation due to their proneness to local minima and lack of long-term memory, which hinders its widespread integration into industrial applications of mobile robotics. In this article, we propose a navigation system incorporating deep-reinforcement-learning-based local planners into conventional navigation stacks for long-range navigation of mobile robots.