Reinforcement learning for autonomous drone navigation in indoor environments
Завантаження...
Файли
Дата
Науковий керівник
Редактор
Інші учасники
Відповідальний
ORCID
Назва журналу
Номер ISSN
Назва тому
DOI
Альтернативна назва
Анотація
This paper presents a reinforcement learning (RL) approach for autonomous drone navigation in complex indoor environments. Traditional navigation systems struggle with dynamic layouts and GPSdenied conditions. By leveraging RL algorithms such as Deep Q-Networks (DQN), a drone can learn optimal policies for obstacle avoidance, path planning, and goal-reaching behavior through trial and error.
Опис
Ключові слова
УДК
Тип документа
Мова
ISSN
Посилання на публікацію
Серія, номер
ISBN
ББК
Інші ідентифікатори
Пов’язані матеріали
Спонсорська підтримка
Правовласник
Бібліографічний опис
Kashaganova G. B., Kosherbayev B., Sharipova B. D. Reinforcement learning for autonomous drone navigation in indoor environments // Збірник тез доповідей ІV Міжнародної науково-технічної конференції «Перспективи розвитку машинобудування та транспорту–2025», м. Вінниця, 3–5 червня 2025 р. Електрон. текст. дані. 2025. URI: https://conferences.vntu.edu.ua/index.php/prmt/pmrt2025/paper/view/25446.
Схвалення
Рецензія
Доповнено
Цитується в
Список використаної літератури (7)
- Mnih, V., Kavukcuoglu, K., Silver, D., et al. (2015). Human-level control through deep reinforcement learning. Nature, 518(7540), 529–533.
- Lillicrap, T. P., Hunt, J. J., Pritzel, A., et al. (2016). Continuous control with deep reinforcement learning. arXiv preprint arXiv:1509.02971.
- Kendall, A., Hawke, J., Janz, D., et al. (2019). Learning to drive in a day. 2019 International Conference on Robotics and Automation (ICRA), 8248–8254.
- Chen, Y. F., Liu, M., Everett, M., & How, J. P. (2017). Decentralized non-communicating multiagent collision avoidance with deep reinforcement learning. 2017 IEEE International Conference on Robotics and Automation (ICRA), 285–292.
- Garcia, J., & Fernndez, F. (2015). A comprehensive survey on safe reinforcement learning. Journal of Machine Learning Research, 16(1), 1437–1480.
- Koenig, N., & Howard, A. (2004). Design and use paradigms for Gazebo, an open-source multi-robot simulator. 2004 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), 2149–2154.
- Zhang, Q., et al. (2020). Autonomous drone navigation using deep reinforcement learning. Sensors, 20(12), 3400.