基于Q(λ)-learning的移动机器人路径规划改进探索方法

作者：王健; 赵亚川; 赵忠英; 张平陆

来源：自动化与仪表, 2019, 34(11): 39-67.

DOI：10.19557/j.cnki.1001-9944.2019.11.010

• 路径规划
• 强化学习
• Q(λ)学习算法
• 移动机器人
• 搜索策略

强化学习算法广泛的应用于路径规划,使移动机器人能够与环境交互并实现自主避障、获取最优路径。传统Q(λ)-learning算法所采用的探索策略存在探索利用平衡问题,由于收敛过早,往往得不到最优解。本文提出一种动态调整探索因子的探索方法,以探索成功率判断机器人对环境的熟悉程度,指导探索过程,从而找到最优路径;采用栅格法建立地图。通过仿真和对比试验证明了该方法可以得到全局最优策略。

• 单位
  沈阳新松机器人自动化股份有限公司; 沈阳科技学院