基于模糊Q学习算法的AGV路径规划研究.pdf

万方数据
。采用凹,ⅲ分别表设定加与硝的夹角口为淖颂逆时针:齉学习方法脑硕P秃褪凳被肪承息的获取陈自立。,用于获取前方避障物的,如,俏猣￡户,¨,蹋,表示该的八惴ㄖ屑尤隩模糊逻辑推理,用以表的非线性逼近能力,而且设计简单。该算法中的—甀路径规划是机器人导航中的一个重要方面,其定义为在具有障碍物的环境内,按照一定的评价标准,寻找一条从起始状态到达目标状态的无碰撞路径”】。根据机器人对环境信息获取的情况,路径规划可分为全局路径规划和局部路径规划。实际中,大多数属于局部路径规划问题,例如自动化物流实验室,其整体结构和布局已知,但有些中间障碍物ぷ魈ā⒍逊诺幕跷锏就是不可预知的口】。常用的局部路径规划方法有模糊逻辑法,人工势场法、神经网络等等,相对于传统的方法它们具有鲁棒性和快速性等优点,但是针对未知环境下障碍物的不确定性和复杂性,要完全依靠程序员的手工编程实现其基本行为的设计和组织工作,就变得非常繁重,甚至是不可能的俊因此有必要引人具有自主学习能力的方法,其中强化学习是一种提高系统智能化的有效方法,被广泛引用到基于行为的移动机器人控制一文章针对未知环境下植柯肪豆婊题,在模糊胺椒ǖ幕∩希魉阉鞑呗中加入模拟退火算法,用于动作探索和到用的平衡,设计基于导向和避障的回报函数,从而提出一种改进的模糊奥肪豆婊椒ā>橹ぃ划的收敛速度和学习效率。脑硕腿缤糏所示,建立参考坐标系瓒ǔ堤逯匦牡淖晡恢梦狹,琾为正蛴肕希瑈,臼硎続在参考坐标系中的位姿。在岸司确植龀ùǜ示蠛蠓健⒆笄胺健⒄胺健⒂仪胺健⒂液方最近障碍物的距离。例如检测到障碍物距离为前方嗬氪Υ嬖谡习铩罢觥乔炕爸性擞米罟惴旱姆椒ㄖ一,它采用“试错法”与环境交互,并基于回报函数估计值找到最优动作序列。由于回报值是存储在卣笾械模虼薗学习算法不能用来克服状态鞫栽诹瘴手械娜≈滴侍狻H绻粤的状态和动作空间进行离散化,会导致运算效率下降。针对该问题,等人提出了在传统示动作和。:呒评砭哂泻芎一.—,産鞅惫ひ荡笱Щ缪г海靼摘要:路径规划是刂葡低持械墓丶际酢N恼略诜治隽薃路径规划方法的基础上,对于未知环境下木肿侣肪豆婊侍猓杓屏艘恢指慕哪:齉学习路径规划策略。并给出具体执行步骤,最后用进行了仿真。仿真结果表明该方法规划的轨迹平滑、实时性好、:晃粗;肪常荒:齉学习肪豆婊中盈分类号:文献标识码;文章编号:一—.收糟日期:—一作者简介:陈自立,男,硕士,研究方向为机器人运动与控制。第卷第疛....’
万方数据
珍,卜瞽㈦·一~卅如一尸谝罰掣剿作、占詹呗匝≡穸鞫杂Φ腝值。M嘶之利用占据主导策略,便采用桓詹呗匝≡穸加权获得全局动作彳【~腿ň諵觯堋緎~,醪鷚钟%,%ィ琂,然后通过搜远己叫〕《,根据公式扑鉗函数误差,式中琸;怀赡:隙。由于三角形隶其中∞,口、,∞为同一触发规则中随机动占,,计算动作选择概率,如果如果口占’,则矿一叫邗;叮刊的隶属度函数。‰,⋯七‘和硎竟嬖索算法获得每个触发规则的局部动作口≯和局更新卣笾担伦刺怠觥弧ǎ馗瓷鲜数,即≥.,采用等比降温策略,返秗五∈,,玦露输入状态变量值,腻表示每个输入状