精准农业中基于深度强化学习的无人地面车辆路径规划优化
机器人学
2026-01-09 v1 人工智能
摘要
本研究聚焦于在连续动作空间中使用深度强化学习（DRL）技术优化精准农业中无人地面车辆（UGV）的路径规划。研究首先回顾了传统的基于网格的方法（如 A* 和 Dijkstra 算法），并讨论了它们在动态农业环境中的局限性，强调了自适应学习策略的需求。随后，本研究探索了 DRL 方法，包括深度 Q 网络（DQN），其在二维仿真中展现出了更好的适应性和性能。为了进一步改善决策，研究评估了 Double Q-Networks 和 Dueling Networks 等增强方法。在这些结果的基础上，研究重点转向连续动作空间模型，特别是深度确定性策略梯度（DDPG）和双延迟深度确定性策略梯度（TD3），并在日益复杂的环境中对其进行了测试。在三维环境中使用 ROS 和 Gazebo 进行的实验证明了连续 DRL 算法在导航动态农业场景中的有效性。值得注意的是，预训练的 TD3 智能体在动态环境中达到了 95% 的成功率，证明了所提方法在处理移动障碍物方面的鲁棒性，同时确保了农作物和机器人的安全。
引用
@article{arxiv.2601.04668,
title = {Optimizing Path Planning using Deep Reinforcement Learning for UGVs in Precision Agriculture},
author = {Laukik Patade and Rohan Rane and Sandeep Pillai},
journal= {arXiv preprint arXiv:2601.04668},
year = {2026}
}