PER-DPP采样框架及其在路径规划中的应用

智能移动系统中的自主导航是人工智能驱动机器人领域的一个核心研究焦点。当代路径规划方法在动态环境响应和多目标任务可扩展性方面面临限制，制约了其满足日益增长的智能操作需求的能力。以决策为中心的强化学习框架凭借其在自适应环境交互和自我优化方面的独特优势，在先进控制系统研究中脱颖而出。本研究通过引入方法学改进，解决了强化学习经验回放机制中样本同质性的挑战。通过引入行列式点过程（DPP）进行多样性评估，我们开发了一种具有自适应选择协议的双标准采样框架。该方法解决了传统优先经验回放（PER）系统中的表征偏差问题，同时保持了算法的互操作性，为动态操作场景提供了改进的决策优化。主要贡献包括：开发了一种结合优先级排序与多样性最大化的混合采样范式（PER-DPP）。在此基础上，创建了一种融合多样性感知采样与自适应步长调节的集成优化方案（PER-DPP-Elastic DQN）。在2D导航场景中的对比仿真表明，弹性步长组件会暂时延迟初始收敛速度，但与 PER-DPP 集成后能协同增强最终阶段的优化。该方法生成了具有优化长度效率和方向稳定性的导航路径。