基于强化学习的移动机器人路径规划研究综述-FreeNAS中文网

admin 管理员组

文章数量: 887021

2023年12月23日发(作者：dw颜色代码表w代码大全)

基于强化学习的移动机器人路径规划研究综述Review of mobile robot path planning

based on reinforcement learning刘志荣1,2，姜树海1,2LIU Zhi-rong1,2, JIANG Shu-hai1,2（1.南京林业大学机械电子工程学院，南京 210037；2.南京林业大学智能控制与机器人技术研究所，南京 210037）摘要：路径规划能够让机器人在移动过程中高效准确地避开障碍物。在分析常用路径规划算法优缺点的基础上，引出能够在复杂动态环境下进行良好路径规划的强化学习算法。根据强化学习算法求解方法的不同，从值函数法和策略搜索法两个方面综述强化学习及其改进算法在路径规划上的应用。最后，针对目前强化学习算法在路径规划中的研究现状及发展需求，提出了未来移动机器人路径规划研究的发展方向。关键词：移动机器人；路径规划；强化学习；值函数；策略搜索中图分类号：TP242

文献标识码：A

文章编号：1009-0134(2019)03-0090-030 引言随着电子信息技术，计算机技术以及机械制造技术不断成熟，移动机器人正往着高度智能化方向迈进。智能机器人的一个重要特征就是在复杂动态环境下能够进行良好的路径规划。所谓的路径规划就是指机器人根据各种传感器对周围环境进行感知，自主搜索出一条从起始点到目标点的无碰撞路径。路径规划的核心是算法的设计，路径规划算法根据智能化程度可分为传统算法、启发式算法、智能算法、强化学习算法四类。传统算法可分为可视图法、人工势场法[1]、模拟退火法[2]和模糊逻辑算法[3]。传统算法缺乏灵活、易于陷入局部最优值。启发式算法是具有搜索能力的算法，该类算法在离散路径拓扑中具有很好地运用[4]。智能算法是人们通过仿生学研究发现的算法。常用的智能算法有神经网络算法、遗传算法、群智能算法。以上介绍的算法都是基于样本的监督学习算法，监督学习算法的固有属性使得机器人先验知识不足时很难进行良好的路径规划。强化学习又称再励学习，是由美国学者Minsky[5]于1954年提出的仿生算法。该算法通过机器人与环境进行不断试错迭代获取反馈信息来优化策略。它不依赖环境模型以及先验知识，又具有自主学习和在线学习的特点，逐渐成为机器人在非结构环境下路径规划的研究热点[6,7]亴

本文标签：学习算法路径规划强化

版权声明：本文标题：基于强化学习的移动机器人路径规划研究综述内容由网友自发贡献，该文观点仅代表作者本人，转载请联系作者并注明出处：http://www.freenas.com.cn/jishu/1703288363h445648.html，本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容，一经查实，本站将立刻删除。