科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对Q-Learning算法学习效率低、收敛速度慢且在动态障碍物的环境下路径规划效果不佳的问题，本文提出一种改进Q-Learning的移动机器人路径规划算法。针对该问题，算法根据概率的突变性引入探索因子ε来平衡探索和利用以加快学习效率;通过在更新函数中设计深度学习因子以保证算法探索概率;融合遗传算法，避免陷入局部路径最优同时按阶段探索最优迭代步长次数，以减少动态地图探索重复率;最后提取输出的最优路径关键节点采用贝塞尔曲线进行平滑处理，进一步保证路径平滑度和可行性。实验通过栅格法构建地图，对比实验结果表明，改进后的算法效率相较于传统算法在迭代次数和路径上均有较大优化，且能够较好的实现动态地图下的路径规划，进一步验证所提方法的有效性和实用性。
- 出版日期2023
- 单位西安建筑科技大学
