【技术实现步骤摘要】
本专利技术涉及机器人智能控制领域，具体涉及一种基于预测控制规划模型强化学习的机器人控制方法。
技术介绍
1、随着传感器技术、计算机技术和智能技术的不断发展，机器人的应用越来越广泛。例如，在工业制造、家务照护、环境探测等场景中，机器人能够自主完成任务显得越来越重要。强化学习算法提供了强大的框架，帮助机器人自主解决顺序决策问题。一般而言，强化学习算法分为无模型和有模型两种。然而，无模型强化学习算法很少直接应用于机器人系统，因为它们具有较高的样本复杂度，会增加机器人的损耗，缩短其寿命，而且在训练中的中间策略可能是不安全和有害的，导致机器人偏离安全区域或发生故障。
2、与无模型的强化学习相比，有模型的强化学习算法通过学习系统及环境的状态转移模型，进行轨迹模拟与规划，降低了算法的样本复杂度。然而，模型偏差是有模型强化学习的固有问题，它会在长期规划时使策略指向未知区域，导致价值高估并打乱策略学习，容易导致机器人误入不安全区域；而过短的规划则无法充分发挥有模型的优势，在规划步数为零时则退化为无模型强化学习。因此，通过认知不确定性来利用贝叶...
【技术保护点】
1.一种基于预测控制规划模型强化学习的机器人控制方法，其特征在于，所述方法包括初始化、环境交互、更新模型以及更新策略，具体包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，所述步骤S2.2具体包括：
3.根据权利要求1所述的方法，其特征在于，所述步骤S2.3具体包括：
【技术特征摘要】
1.一种基于预测控制规划模型强化学习的机器人控制方法，其特征在于，所述方法包括初始化、环境交互、更新模型以及更新策略，具体包括以下步骤：
...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。