基于 Q-Learning 的障碍物环境中无人机 swarm 路径规划系统
人工智能
2023-08-28 v2 机器人学
摘要
用于无人 aerial vehicle（UAV）swarm 自主控制的路径规划方法因其带来的诸多优势而日益兴起。需要多架 UAV 自主控制的场景越来越多。这些场景大多存在大量障碍物，如电力线或树木。若所有 UAV 均能自主操作，则可降低人员开支。此外，若其飞行路径最优，则能耗降低，从而留出更多电池时间用于其他操作。本文提出一种基于强化学习的系统，利用 Q-Learning 在含障碍物的环境中解决该问题。该方法使一个模型（本例中为人工神经网络）通过从自身错误与成就中学习而自我调整。无论地图大小或 swarm 中 UAV 数量如何，这些路径的目标都是确保对含固定障碍物的区域实现完全覆盖，以用于田野勘探等任务。除所提供的地图外，无需设定目标或具备任何先验信息。实验中使用了五张大小不同、障碍物各异的地图，并以不同数量的 UAV 进行实验。结果计算考虑了每次实验中所有 UAV 完成任务所采取的行动数。行动数越少，路径越短，能耗越低。结果令人满意，表明系统中 UAV 越多，所得解所需行动越少。为更好展示，这些结果已与另一种最先进方法进行比较。
引用
@article{arxiv.2303.17655,
title = {Q-Learning based system for path planning with unmanned aerial vehicles swarms in obstacle environments},
author = {Alejandro Puente-Castro and Daniel Rivero and Eurico Pedrosa and Artur Pereira and Nuno Lau and Enrique Fernandez-Blanco},
journal= {arXiv preprint arXiv:2303.17655},
year = {2023}
}