移动机器人路径规划强化学习的初始化

摘要：

针对现有机器人路径规划强化学习算法收敛速度慢的问题,提出了一种基于人工势能场的移动机器人强化学习初始化方法.将机器人工作环境虚拟化为一个人工势能场,利用先验知识确定场中每点的势能值,它代表最优策略可获得的最大累积回报.例如障碍物区域势能值为零,目标点的势能值为全局最大.然后定义Q初始值为当前点的立即回报加上后继点的最大折算累积回报.改进算法通过Q值初始化,使得学习过程收敛速度更快,收敛过程更稳定.最后利用机器人在栅格地图中的路径对所提出的改进算法进行验证,结果表明该方法提高了初始阶段的学习效率,改善了算法性能.

关键词：移动机器人、强化学习、人工势能场、路径规划、Q值初始化

所属期刊栏目：29

分类号：TP242(自动化技术及设备)

资助基金：国家自然科学基金资助项目61075091,61174054;国家自然科学基金青年基金资助项目61105100

在线出版日期：2013-03-13（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：1623-1628