Evaluating Reinforcement Learning Algorithms for Navigation in Simulated Robotic Quadrupeds: A Comparative Study Inspired by Guide Dog Behaviour
Created by
Haebom
저자
Emma M. A. Harrison
개요
본 연구는 강화 학습 알고리즘을 이용하여 시뮬레이션된 4족 보행 로봇의 자율 주행 및 장애물 회피 능력을 향상시키는 것을 목표로 한다. 특히 시각장애인을 위한 로봇 안내견 시뮬레이션 개발에 초점을 맞추고 있으며, 의료용 로봇 동물(안내견 및 경고견 등) 연구 확장에 기여하고자 한다. Proximal Policy Optimization (PPO), Deep Q-Network (DQN), Q-learning 세 가지 알고리즘을 비교 분석하여, 충돌 탐지, 경로 탐색 알고리즘, 센서 사용, 로봇 유형 및 시뮬레이션 플랫폼 등을 기준으로 평가하였다. 자체 제작 환경에서의 실험 결과, PPO 알고리즘이 다른 두 알고리즘보다 목표 지점 도달에 필요한 평균 및 중앙값 단계 수 측면에서 우수한 성능을 보였다.
시사점, 한계점
•
시사점:
◦
PPO 알고리즘이 4족 보행 로봇의 자율 주행 및 장애물 회피에 효과적임을 보여줌.
◦
시각장애인을 위한 로봇 안내견 개발 가능성을 제시.
◦
의료용 로봇 동물 연구에 대한 새로운 가능성을 제시.
◦
강화학습 기반 로봇 내비게이션 기술 발전에 기여.
•
한계점:
◦
시뮬레이션 환경에서의 결과이며, 실제 환경 적용에 대한 추가 연구 필요.
◦
다양한 환경 및 장애물에 대한 로봇의 일반화 능력에 대한 추가적인 검증 필요.
◦
실제 안내견의 복잡한 기능(소리 인식, 주인의 감정 인식 등) 구현에 대한 추가 연구 필요.
