基于增强学习和art2神经网络的移动机器人路径规划研究

《基于增强学习和art2神经网络的移动机器人路径规划研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、卜海大学博士学位论文摘要本文在增强学习S[IART2神经网络的基础上，研究了移动机器人路径规划问题，并重点分析了路径规划中的避碰撞问题。本文主要的工作和创新点有以下三个方面：(1)首先针对增强学习中的策略问题，提出了一种渐进式Soft．MaxjT为选择策略；即在学习初始时，因为对行为掌握的经验知识不够，学习主要通过探索以得到行为的经验知识：在学习的后期则因积累了足够多的经验知识，可以更好地利用行为，同时也可以通过某种突变以达到加快或减慢学习速度的目的。其次针对连续性任务，提出了～种连续任务On—Policy增强学习方法S—Leaming以及基于最先策略的增强学习方法FPRL(Fo

2、remost—PolicyReinforcementLearning)，并在仿真实验中与传统的Q-Learning方法进行对比，以说明这两种增强学习方法的可行性。(2)为了解决增强学习中传统的策略查询表(100kup．table)不适合存储大量的状态值和行为值的问题，本文采用ART2}d0经网络存储大量的状态空间和分类模式。面对大量的分类模式，手工评估和选择分类模式是非常困难的，为此本文在ART2；冲经网络中引入增强学习评估和选择机制，结合成RL—ART2(ReinforcementLearningbasedART2NeuralNetwork)神经网络，成功地解决了如何评估和选择

3、己存储在ART2中的分类模式的问题。(3)提出了基于RL-ART2神经网络的移动机器人多障碍物避碰撞系统RLART2一CAS(RLART2一CollisionAviodanceSystem)。为了解决多障碍物环境下，难于手工获取避碰撞规则的难题，本文采用增强学习的方法使系统可以自主获得避碰撞规则；采用RL．ART2神经网络，实现了增强学习和神经网络的集成，解决了规则存储需要占用大量内存空间的问题，并自动评估避碰效果，使系统能够通过学习获得理想的避碰行为，完成路径规划。关键词：增强学习、ART2神经网络、移动机器人、避碰撞、路径规划V卜阿人学博一L学位论文ABSTRACTBased

4、onthereinforcementlearningandART2neuralnetwork，thepaperdoestheresearchonthepathplanningproblemofmobilerobotandanalyzestheproblemofcollisionavoidanceofthepathplanning．Theinainworkandcreativepointsofthepaperareasfollows：(1)Firstly，thepaperpresentsanactionselectingpolicynamedgradualSoft．MaxtOslo

5、vetheproblemofselectingpolicyinreinforcementlearning．ByusingthegradualSoft_Max，theagentcanexploretoacquiremoreactionexperienceinthebeginningoflearningandexploittheactionsintheanaphaseoflearningduetoaccumulatingenoughactionexperience．ItalsocanmakeabreaktoaccelerateorslowerthelearningspeedMeanw

6、hile，thispaperpresentsareinforcementlearningmethodnamedS-Learningforcontinuingtaskandalearningmethodbasedonforemost-policynamedFPRL(Foremost—PolicyReinforcementLearning)．(2)ThepaperusesART2tostoreabundantclassifypatternsandstatespaceinordertosolvetheproblemthatthetraditionallookup—tabledoesn’

7、tadapttostoregreatamountsofstateandactionvaluesWecombinethemechanismofselectionandevaluati011inreinforcementlearningwiththeART2asRL—ART2(ReinforcementLearningbasedART2NeuralNetwork)tosolvethedifficultiesofevaluatingandselectingthestoredclassi