基于深度循环 Q 学习的能量受限移动机器人覆盖
机器人学
2025-07-11 v1 机器学习
神经与进化计算
摘要
在本文中，我们研究在存在多个充电站的情况下，由能量受限机器人对环境进行覆盖的问题。由于机器人的机载电源有限，其单次充电可能无法覆盖环境中所有点。相反，它需要在一个或多个充电站间歇性地停止以 recharge 电池。机器人不能违反能量约束，即不能以可用能量为负的状态访问某位置。为解决该问题，我们提出了一种深度 Q 学习框架，其生成策略以最大化覆盖率并最小化预算违反。我们所提框架还利用了循环神经网络（RNN）的记忆能力，以更好地适应这一多目标优化问题。我们已在具有充电站与多种障碍物配置的 16 x 16 网格环境中测试了该框架。结果表明，我们所提方法能找到可行解，并优于一种可比较的现有技术。
引用
@article{arxiv.2210.00327,
title = {Deep Recurrent Q-learning for Energy-constrained Coverage with a Mobile Robot},
author = {Aaron Zellner and Ayan Dutta and Iliya Kulbaka and Gokarna Sharma},
journal= {arXiv preprint arXiv:2210.00327},
year = {2025}
}
备注
Under review