基于深度Q网络强化学习的电厂无人机自主巡检方法
机器人学
2023-03-17 v1 机器学习
摘要
为巡检电厂，可利用强化学习技术构建自主机器人。该方法复现环境并采用一种简单的强化学习（RL）算法。该策略可应用于多个行业，包括发电行业。本研究提出一种具备感知、规划与动作的预训练模型。为解决无人机（UAV）导航等优化问题，Deepmind于2015年提出的深度Q网络（DQN）是一种结合深度学习与Q学习的基于强化学习的框架。为克服现有流程的问题，本研究提出一种融合无人机自主导航与DQN强化学习的电厂巡检系统。这些训练过程参考状态设定奖励函数，并考虑内外部影响因素，从而区别于当前其他在用的强化学习训练技术。例如，该方法强化学习部分的关键组件引入了诸如风场模拟、无人机电池电量、无人机到达高度等状态。训练后的模型使无人机能够在复杂环境中自主移动，从而提高了巡检策略实际应用的可能性。模型平均得分收敛至9000。训练后的模型使无人机以最少旋转次数抵达目标点。
引用
@article{arxiv.2303.09013,
title = {Self-Inspection Method of Unmanned Aerial Vehicles in Power Plants Using Deep Q-Network Reinforcement Learning},
author = {Haoran Guan},
journal= {arXiv preprint arXiv:2303.09013},
year = {2023}
}
备注
Submitted to the International Conference on Artificial Intelligence, Robotics, and Control (AIRC 2023)