基于改进的DQN机器人路径规划

• 作者: 董永峰 杨琛 董瑶 屈向前 肖华昕 王子秋
• 来源期刊: 计算机工程与设计
• 学科: 工学
• 关键词: 动态融合 机器人路径规划 过估计 深度强化学习 优化目标
• 年，卷（期）: 2021,（2）
• 所属期刊栏目: 智能技术
• 页码范围: 552-558
• 页数: 7页
• 分类号: TP242
• 语种: 中文
• DOI: 10.16208/j.issn1000-7024.2021.02.037

摘要

针对深度Q学习算法在机器人路径规划中的过估计问题,提出一种动态融合深度双Q算法(dynamic target doub-le deep Q network,DTDDQN).通过动态融合DDQN和平均DQN的先验知识进行网络参数训练,前期以较大权重的DDQN优化目标对估计网络进行网络训练和先验知识的积累,随着学习的深入,增大平均DQN的优化目标对网络训练的权重,使网络输出的Q值更加接近真实Q值,减少过估计对机器人在选择动作时的影响,达到所选策略最优.仿真对比结果表明,DTDDQN算法在路径规划中能更好解决过估计问题,在动作选择方面以及规划路径长度方面都有一定提升.