部分觀測馬爾可夫決策過程中的強化學(xué)習(xí).pdf

1、在強化學(xué)習(xí)中，機器人對環(huán)境做出動作并從環(huán)境得到回報，相應(yīng)于不同的動作，環(huán)境給予的回報值有所不同，通過對到達目標(biāo)點所作一系列動作的回報值不斷強化，機器人能夠?qū)W到從內(nèi)部狀態(tài)到動作的映射，即學(xué)到?jīng)Q策過程。強化學(xué)習(xí)由于是在機器人行動過程中進行學(xué)習(xí)，因而具有在線性，并且由于該學(xué)習(xí)方法不需要外界指導(dǎo)，因而又具有無導(dǎo)師性，由于這兩種特性使得強化學(xué)習(xí)廣泛應(yīng)用于序列化的行為任務(wù)中，比如機器人路徑規(guī)劃等。
　　對于解決馬爾可夫決策過程(MDP)中的Q

2、算法，本文給出了一種新的回報值設(shè)定方法，即將各狀態(tài)的回報值進行綜合分類。通過該方法，機器人可以獲得更準(zhǔn)確的回報值，從而使回報值對于動作的評價更準(zhǔn)確，并將該算法應(yīng)用于障礙物環(huán)境中，實驗結(jié)果表明，該算法可以獲得更好的效果。
　　在部分觀測馬爾可夫決策過程(POMDP)中，因為系統(tǒng)無法完全感知環(huán)境狀態(tài)信息，應(yīng)用于馬爾可夫決策過程的強化學(xué)習(xí)算法就不能得到精確解，比如POMDP問題中的感知混淆問題。本文給出了一種改進的基于短期記憶的學(xué)習(xí)方法