面向智能避障场景的深度强化学习研究

• 作者: 刘庆杰 李少利 林友勇
• 来源期刊: 智能物联技术
• 学科: 工学
• 关键词: 深度强化学习 DQN 自主决策 避障
• 年，卷（期）: 2018,（2）
• 所属期刊栏目: 基础研究
• 页码范围: 18-22
• 页数: 5页
• 分类号: TP183
• 字数: 3499字
• 语种: 中文

摘要

研究基于深度强化学习技术的避障场景的算法模型设计,采用改进的深度Q网络(Deep Q-learning Net-work,DQN)算法克服了Q-learning表格式算法在连续状态下导致内存不足的局限性.鉴于学习过程中奖励稀疏导致很难获得较好结果的情况,改进奖励机制,增加实时奖惩作为补充,解决学习耗时长和训练不稳定的问题;采用相对角度、位置和距离等信息,相比绝对坐标信息可以更有效的躲避障碍物.不同于基于栅格法/可视图法等传统人为策略避障算法,深度强化学习算法DQN能够在缺乏先验知识的条件下具备自主决策能力,因此适用性更强.该技术可应用在仓储无人车、巡检机器人、无人机等现实场景.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	刘庆杰		1	1	1.0	1.0
2	林友勇		2	1	1.0	1.0
3	李少利		2	1	1.0	1.0