基于模擬退火-Q學習的移動機器人路徑規(guī)劃技術(shù)研究.pdf

1、在各項技術(shù)研究中，導(dǎo)航技術(shù)是實現(xiàn)移動機器人智能化和自主性的一項關(guān)鍵技術(shù)，也是目前的研究熱點之一。而路徑規(guī)劃是導(dǎo)航技術(shù)中的基本問題，因此，研究移動機器人路徑規(guī)劃技術(shù)，提高移動機器人對未知環(huán)境適應(yīng)性，對實現(xiàn)移動機器人智能性和自主性具有重要意義。 本文在分析了移動機器人路徑規(guī)劃方法的基礎(chǔ)上，對強化學習中的Q學習算法進行重點研究。針對基于強化學習的路徑規(guī)劃在獎賞函數(shù)設(shè)計、探索與利用的平衡、連續(xù)狀態(tài)和動作空間的泛化等方面存在的問題，設(shè)計了

2、相應(yīng)的解決方案，提出了未知環(huán)境下移動機器人路徑規(guī)劃算法。 針對獎賞函數(shù)影響收斂速度的問題和探索與利用的平衡問題，提出了基于行為分解獎賞函數(shù)的模擬退火-Q學習的移動機器人路徑規(guī)劃算法。為了降低獎賞函數(shù)對收斂速度的影響，設(shè)計了基于行為分解非均勻結(jié)構(gòu)的獎賞函數(shù)；同時，為了解決探索與利用的平衡問題，采用模擬退火（Simulated Annealing，SA）方法進行動作選擇。仿真實驗表明，該算法提高了收斂速度，有效解決了探索與利用的平衡

3、問題，使移動機器人找到了較優(yōu)路徑。 為了提高SA-Q學習的收斂速度和基于動態(tài)規(guī)劃的Q學習性能，提出了一種基于動態(tài)規(guī)劃的SA-Q學習算法。通過動態(tài)規(guī)劃對值函數(shù)進行逆序更新，加快收斂速度；采用模擬退火動作選擇策略，提高算法性能。仿真結(jié)果表明，該算法具有更快的收斂速度和更高的性能，并且移動機器人能夠找到一條無碰撞的路徑。 針對復(fù)雜未知環(huán)境中連續(xù)狀態(tài)和動作空間的泛化問題，提出了基于模糊推理的SA-Q學習移動機器人路徑規(guī)劃算法。模