典型文献
基于分层深度强化学习的移动机器人导航方法
文献摘要：
针对现有基于深度强化学习(deep reinforcement learning,DRL)的分层导航方法在包含长廊、死角等结构的复杂环境下导航效果不佳的问题,提出一种基于option-based分层深度强化学习(hierarchical deep reinforcement learning,HDRL)的移动机器人导航方法.该方法的模型框架分为高层和低层两部分,其中低层的避障和目标驱动控制模型分别实现避障和目标接近两种行为策略,高层的行为选择模型可自动学习稳定、可靠的行为选择策略,从而有效避免对人为设计调控规则的依赖.此外,所提出方法通过对避障控制模型进行优化训练,使学习到的避障策略更加适用于复杂环境下的导航任务.在与现有DRL方法的对比实验中,所提出方法在全部仿真测试环境中均取得最高的导航成功率,同时在其他指标上也具有整体优势,表明所提出方法可有效解决复杂环境下导航效果不佳的问题,且具有较强的泛化能力.此外,真实环境下的测试进一步验证了所提出方法的潜在应用价值.
文献关键词：
深度强化学习;分层深度强化学习;移动机器人;导航;避障;策略学习
中图分类号：
作者姓名：
王童;李骜;宋海荦;刘伟;王明会
作者机构：
中国科学技术大学信息科学技术学院,合肥230027
文献出处：
引用格式：
[1]王童;李骜;宋海荦;刘伟;王明会-.基于分层深度强化学习的移动机器人导航方法)[J].控制与决策,2022(11):2799-2807
A类：
分层深度强化学习,HDRL
B类：
移动机器人,机器人导航,导航方法,deep,reinforcement,learning,长廊,死角,复杂环境,option,hierarchical,模型框架,中低层,目标驱动,驱动控制,控制模型,行为策略,行为选择,自动学习,选择策略,控规,避障控制,避障策略,仿真测试环境,他指,整体优势,泛化能力,真实环境,潜在应用,策略学习
AB值：
0.321781
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
