Reinforcement Learning Based Approach For Mobile Robot Navigation

M, Mohammed Jaseem; Mathew, Robins; Hiremath, Somashekhar S.

doi:10.1109/iccike47802.2019.9004256

Cited by 5 publications

(2 citation statements)

References 9 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…When the environment becomes complicated, traditional methods can become tedious and might stop working at the local optimum. Heuristic techniques have grown in preference nowadays for their proximity to human styles of behavior learning [58]. RL is one of the most famous heuristic approaches that is used extensively nowadays for the navigation of MR.…”

Section: Reinforcement Learning Controllersmentioning

confidence: 99%

Discussion on different controllers used for the navigation of mobile robot

Raj,

Kos

2024

International Journal of Electronics and Telecommunications

View full text Add to dashboard Cite

Robots that can comprehend and navigate their surroundings independently on their own are considered intelligent mobile robots (MR). Using a sophisticated set of controllers, artificial intelligence (AI), deep learning (DL), machine learning (ML), sensors, and computation for navigation, MR's can understand and navigate around their environments without even being connected to a cabled source of power. Mobility and intelligence are fundamental drivers of autonomous robots that are intended for their planned operations. They are becoming popular in a variety of fields, including business, industry, healthcare, education, government, agriculture, military operations, and even domestic settings, to optimize everyday activities. We describe different controllers, including proportional integral derivative (PID) controllers, model predictive controllers (MPCs), fuzzy logic controllers (FLCs), and reinforcement learning controllers used in robotics science. The main objective of this article is to demonstrate a comprehensive idea and basic working principle of controllers utilized by mobile robots (MR) for navigation. This work thoroughly investigates several available books and literature to provide a better understanding of the navigation strategies taken by MR. Future research trends and possible challenges to optimizing the MR navigation system are also discussed.

show abstract

Section: Reinforcement Learning Controllersmentioning

confidence: 99%

Discussion on different controllers used for the navigation of mobile robot

Raj,

Kos

2024

International Journal of Electronics and Telecommunications

View full text Add to dashboard Cite

show abstract

“…Muitos trabalhos podem ser encontrados na literatura sobre navegação de robôs móveis, e geralmente os sistemas de navegação possuem vários pontos em comum, como por exemplo sistema de localização, mapeamento, planejamento de caminho, desvio de obstáculos, controle de alto nível para alcançar um determinado objetivo e tratamento de erros (BURGARD et al, 1999;CONNER;WILLIS, 2017;MATHEW;HIREMATH, 2019).…”

Section: Navegação Autônoma De Robôs Móveisunclassified

Algoritmos de navegação de robôs móveis com tração nas quatro rodas utilizando sistemas de localização absolutos GNSS e RTK

Salarolli¹,

Baptista²,

Oliveira³

et al. 2023

PRW

View full text Add to dashboard Cite

A robótica móvel é uma área em grande crescimento na pesquisa científica e na indústria, devido a sua versatilidade e capacidade de substituir os humanos, especialmente em trabalhos perigosos, e por apresentar melhor desempenho em certas aplicações. Várias delas são em ambientes externos, como em indústrias, aplicações aeroespaciais, petroquímicas, dentre outras. Esse artigo mostra a implementação de um sistema de localização de um robô móvel em ambiente outdoor, utilizando sistema de navegação global por satélite e odometria. Pretende-se, assim, obter uma forma robusta de localização, permitindo uma navegação confiável em diferentes terrenos. Testes foram realizados com a navegação por satélite e a odometria. Percebeu-se que o robô pôde trabalhar bem em ambientes externos capturando corretamente a localização GPS quando comparado com o Google Earth Pro. Com relação a odometria, houve pequenos erros quando o robô se moveu em linha reta, o que aumentou ao se realizar rotações. Isso se deve à característica do funcionamento do robô diferencial 4WD, onde as curvas geram deslizamento das rodas. Além disso, pode‑se demonstrar o bom funcionamento quando feita a fusão dos dados de GNSS, IMU e odometria.

show abstract