基于强化学习的能源感知覆盖路径规划
机器人学
2026-01-26 v1 机器学习
摘要
覆盖路径规划（CPP）是农业机器人不可或缺的能力；然而，现有方法往往忽视能源约束，在大规模或资源受限环境中导致操作不完整。本文提出一种基于 Soft Actor-Critic（SAC）强化学习的能源感知 CPP 框架，适用于带障碍物和充电站的网格环境。为实现能源限制下的稳健和自适应决策，框架集成卷积神经网络（CNN）进行空间特征提取和长短期记忆网络（LSTM）进行时序动态处理。设计专门的奖励函数以联合优化覆盖效率、能源消耗和返回基地约束。实验结果表明，所提方法在确保能源安全的前提下始终实现超过 90% 的覆盖率，相较于快速探索随机树（RRT）、粒子群优化（PSO）和蚁群优化（ACO）等传统启发式算法提高了 13.4-19.5% 的覆盖率，将约束违规减少 59.9-88.3%。这些结果表明，所提出的 SAC 基于框架是能源受限农业机器人 CPP 的一种有效且可扩展的解决方案。
引用
@article{arxiv.2601.16405,
title = {Reinforcement Learning-Based Energy-Aware Coverage Path Planning for Precision Agriculture},
author = {Beining Wu and Zihao Ding and Leo Ostigaard and Jun Huang},
journal= {arXiv preprint arXiv:2601.16405},
year = {2026}
}
备注
Accepted by RACS '25: International Conference on Research in Adaptive and Convergent Systems, November 16-19, 2025, Ho Chi Minh, Vietnam. 10 pages, 5 figures