基于深度强化学习的混合运动规划，用于移动机器人导航

本文解决了自主移动机器人导航中的一个关键挑战：平衡长距离规划与反应性避障和社会意识。这种结合了基于图的规划和深度强化学习的混合方法，是一种很有前景的策略，可以克服每种方法的局限性。使用关于周围agent的语义信息来调整安全裕度尤其值得注意，因为它增强了社会合规性。在真实模拟环境中的验证以及与最先进方法的比较，增强了论文的贡献。

• •提出了一种用于移动机器人导航的混合方法（HMP-DRL），结合了全局路径规划和局部 DRL。
• •将来自全局规划器的检查点集成到 DRL 策略中。
• •采用实体感知奖励结构以实现社会合规性，根据 agent 类型调整安全裕度。
• •在模拟中展示了优于最先进方法的性能。