Map-based and Map-less Mobile Navigation in Crowded Dynamic Environments

In dieser Arbeit wird eine vergleichende Analyse von kartenbasierten und kartenlosen Navigationsstrategien für mobile Roboter in stark frequentierten dynamischen Umgebungen durchgeführt. Das kartenbasierte System basiert auf dem ROS2 NAV2-Stack, welcher Simultaneous Localization and Mapping (SLAM)-Methoden sowie globale Pfadplanung nutzt. Im Gegensatz dazu verwendet das kartenlose System einen modellfreien Ansatz des Deep Reinforcement Learning, nämlich den Twin Delayed Deep Deterministic Policy Gradient (TD3) Algorithmus, für reaktive Navigation basierend auf Echtzeit-Sensordaten. Beide Methoden werden auf einer simulierten Differentialantriebsplattform namens "Robot Ben" in einer Gazebo-Umgebung durchgeführt und unter einheitlichen Bedingungen in verschiedenen Navigationszenarien bewertet. Die Routenqualität, die Erfolgsquote, die Rechenleistungseffizienz (Auslastung von CPU, RAM und GPU) sowie der Energieverbrauch wurden analysiert. Die Ergebnisse von über 4.000 Versuchen zeigen, dass obwohl die TD3-basierte Methode eine geringere CPU-Auslastung aufweist, sie von der kartenbasierten NAV2-Konfiguration in Bezug auf Pfadqualität, Robustheit und Energieeffizienz übertroffen wird. Die Ergebnisse heben die praktischen Schwierigkeiten bei der Umsetzung von DRL-basierter Navigation in dynamischen realen Umgebungen hervor und deuten darauf hin, dass die Kombination von SLAM mit erlernten lokalen Steuerungsstrategien in hybriden Architekturen einen vielversprechenden Lösungsansatz darstellen können.