一种基于DQN的移动机器人复杂环境路径规划方法技术

一种基于DQN的移动机器人复杂环境路径规划方法，涉及路径规划领域，包括以下步骤：数据采集、数据预处理、设计深度Q网络、设计奖励函数和路径规划。本发明专利技术使用机器人的状态信息对深度Q网络进行训练，使其学习到通过环境信息来选择动作策略的能力，具有更强的适应性和优越的泛化能力；设计综合启发式奖励，对路径长度、能耗和安全性三方面性能进行了平衡；设计了危险性惩罚函数时综合考虑移动路径与障碍物的距离，地形坡度，坡度的朝向，障碍物方向多种因素，提高了移动机器人任务的安全性；通过引入2.5D分层栅格地图到状态空间中，降低状态空间的维度，分散障碍物信息和地形信息，提高算法的收敛速度、学习效率和路径规划性能。

【技术实现步骤摘要】

本专利技术涉及路径规划，具体是指一种基于dqn的移动机器人复杂环境路径规划方法。

技术介绍

1、路径规划是指移动机器人从起始点出发，在避开障碍物的情况下到达目标点的决策过程。但是现有一般机器人路径规划方法需要提前进行环境建模，难以应用到未知环境，并且一般机器人路径规划方法存在对能耗、效率、安全性平衡不当的问题；还存在安全性奖励设计不严谨、安全性低的问题以及无法准确捕捉状态和动作之间的复杂关系，路径规划任务成功率低、效果差的问题。

技术实现思路

1、针对上述情况，为了解决现有一般机器人路径规划方法存在的需提前进行环境建模进而难以应用到未知环境，对能耗、效率、安全性平衡不当，安全性奖励设计不严谨、安全性低，无法准确捕捉状态和动作之间的复杂关系以及路径规划任务成功率低、效果差的技术问题，本专利技术提供了一种基于dqn的移动机器人复杂环境路径规划方法。

2、本专利技术为解决技术问题所采用的技术方案如下：

3、本专利技术提供的一种基于dqn的移动机器人复杂环境路径规划方法，其具体包括以下步骤：<本文档来自技高网...

【技术保护点】

1.一种基于DQN的移动机器人复杂环境路径规划方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于DQN的移动机器人复杂环境路径规划方法，其特征在于，所述机器人运动数据包括状态、动作、环境信息、障碍物位置、目标位置、周围地形信息、机器人能耗、实际路径和所获得的奖励。

3.根据权利要求1所述的一种基于DQN的移动机器人复杂环境路径规划方法，其特征在于，通过数据清洗去除机器人运动数据中的噪声和错误数据，并处理缺失值；对机器人运动数据进行归一化处理后，再通过数据标注确保每个数据点包含状态、采取的动作和结果。

4.根据权利要求1所述的一种基于DQ...

【技术特征摘要】

1.一种基于dqn的移动机器人复杂环境路径规划方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于dqn的移动机器人复杂环境路径规划方法，其特征在于，所述机器人运动数据包括状态、动作、环境信息、障碍物位置、目标位置、周围地形信息、机器人能耗、实际路径和所获得的奖励。

3.根据权利要求1所述的一种基于dqn的移动机器人复杂环境路径规划方法，其特征在于，通过数据清洗去除机器人运动数据中的噪声和错误数据，并处理缺失值；对机器人运动数据进行归一化处理后，再通过数据标注确保每个数据点包含状态、采取的动作和结果。

4.根据权利要求1所述的一种基于dqn的移动机器人复杂环境路径规划方法，其特征在于，所述深度q网络是一个五层静态前向网络，包括四个隐藏层和一个输出层，每个隐藏层均由一个全连接层和一个激活函数组成。

5.根据权利要求4所述的一...

【专利技术属性】
技术研发人员：何秉高，王瑞，范财天，牟辛蓓，赵剑，秦宏伍，田皓元，王志伟，孙向阳，
申请(专利权)人：长春大学，
类型：发明
国别省市：