基于仿射的三重深度 Q 学习用于无人机智能农业的轨迹规划
机器学习
2025-12-23 v1
摘要
无人机（UAV）已成为智能农业的有前景的辅助平台，能够同时执行杂草检测、识别和来自无线传感器的数据收集。然而，由于环境高度不确定性、部分观察以及无人机电池容量有限，UAV 的轨迹规划具有挑战性。为此，我们将轨迹规划问题形式化为马尔可夫决策过程（MDP），并利用多智能体强化学习（MARL）求解。进一步，我们提出一种新型仿射基于三重深度 Q 网络（ITDQN）算法，采用精英仿射机制以降低探索成本，并利用覆盖双深度 Q 网络（DDQN）的调解 Q 网络以加速和稳定训练并提升性能。实验结果在模拟和真实环境中均表明本方案有效。此外，我们提出的 ITDQN 在杂草识别率和数据收集率方面分别比 DDQN 高出 4.43%和 6.94%。
引用
@article{arxiv.2512.18604,
title = {Trajectory Planning for UAV-Based Smart Farming Using Imitation-Based Triple Deep Q-Learning},
author = {Wencan Mao and Quanxi Zhou and Tomas Couso Coddou and Manabu Tsukada and Yunling Liu and Yusheng Ji},
journal= {arXiv preprint arXiv:2512.18604},
year = {2025}
}