科研之友
微信
新浪微博
Facebook
分享链接
摘要
自动引导小车（Automated Guided Vehicle，AGV）在工厂中承担不同节点之间的物料运输工作，在考虑全局路径最优的情况下需要对AGV进行多起点多终点的路径规划。针对现有的深度强化学习算法研究多考虑单起点达到单终点的路径规划情况，涉及多起点多终点的情况时泛化性能较差的问题，提出一种基于DQN(Deep Q-Networks)的AGV全局路径规划求解模型。首先通过改进算法的输入的AGV状态和改进奖励函数的设置提升算法收敛的效率；再利用改变训练初始点位置的方式提升数据的丰富度和模型对环境的感知程度，并以此提升模型对不同起点单个终点环境下路径规划的泛化能力；最后在训练过程中插入不同终点下AGV的状态数据，以获得模型对多终点路径规划的能力。通过在不同规模的环境下的仿真与A*和快速扩展随机树算法的对比实验和模型的扩展性实验，验证了该方法在多终点情况下的路径规划能力。
- 单位
