基于强化学习和粒子滤波的多AGV路径规划方法
机器人学
2024-05-24 v4
摘要
由于其鲁棒的学习和搜索稳定性，强化学习（RL）算法在自动导引车（AGV）路径规划中获得了越来越多的关注和广泛应用。然而，基于RL的规划算法被发现存在由环境不稳定性和系统结构显著波动引起的神经网络方差大的问题。这些挑战表现为收敛速度慢和学习效率低。为了解决这个问题，本文提出了一种新颖的多AGV路径规划方法，称为粒子滤波-双深度Q网络（PF-DDQN），通过利用粒子滤波（PF）和RL算法。首先，所提出的方法利用网络的不精确权重值作为状态值来构建状态空间方程。随后，通过神经网络和PF的迭代融合过程优化DDQN模型，以获得最优的真实权重值，从而提高所提出方法的优化效率。最后，通过不同的数值模拟验证了所提出方法的性能。仿真结果表明，所提出的方法在路径规划优越性和训练时间指标上分别优于传统DDQN算法92.62%和76.88%。因此，所提出的方法可被视为多AGV路径规划领域的重要替代方案。
引用
@article{arxiv.2403.18236,
title = {Multi-AGV Path Planning Method via Reinforcement Learning and Particle Filters},
author = {Shao Shuo},
journal= {arXiv preprint arXiv:2403.18236},
year = {2024}
}