基于多智能体深度强化学习的城市街角公园路径规划方法技术

本发明专利技术适用于城市街角公园路径规划技术领域，尤其涉及基于多智能体深度强化学习的城市街角公园路径规划方法，所述方法包括：获取城市街角公园参数，确定路径规划任务；基于城市街角公园参数构建智能体，基于马尔科夫决策过程对路径规划任务进行求解；进行求解的过程包括：构建奖励系统；搭建强化学习环境，并对环境进行初始化；对多智能体进行强化学习训练；基于训练后的多智能体输出路径规划任务的规划结果，并对其进行可视化处理。本发明专利技术相比于传统路径规划算法具有更强的任务适应能力与结果多样性，通过策略网络与奖励机制的动态调整，使模型能够适配不规则地形、非均质目标分布和多重路径约束等真实场景中普遍存在的复杂任务形态。

【技术实现步骤摘要】

本专利技术属于城市街角公园路径规划，尤其涉及基于多智能体深度强化学习的城市街角公园路径规划方法。

技术介绍

1、在既有城市街角公园的更新改造过程中，尊重场地原有的自然条件如树木分布和地形高差是设计的基本前提。这种尊重既是对场地历史的延续，也是优化设计的关键因素。路径规划作为城市街角公园设计的重要环节，直接关系到场地的功能性和使用者体验。近年来，研究者开发了多种路径规划算法，涵盖了传统规划方法、智能优化算法以及基于机器学习的技术。传统路径规划算法以明确的数学定义和计算逻辑为特点，主要包括a*算法、dijkstra算法和快速随机树（rrt）等。a*算法通过结合实际代价与启发式估计代价，能够高效地找到静态环境中的最优路径，而dijkstra算法则以其鲁棒性在所有节点之间求解最短路径问题表现出色。rrt作为一种基于采样的方法，适合高维空间中的路径规划，但路径质量需要进一步优化。智能优化算法以生物启发或自然现象为基础，适用于复杂、动态的非结构化环境，包括遗传算法（ga）、粒子群优化（pso）和蚁群优化（aco）。这些方法通过优化目标函数或模拟生物行为，在特定场景下展本文档来自技高网...

【技术保护点】

1.一种基于多智能体深度强化学习的城市街角公园路径规划方法，其特征在于，所述方法包括：

2.根据权利要求1所述的基于多智能体深度强化学习的城市街角公园路径规划方法，其特征在于，单个智能体在一个回合内的总的奖励R的函数表示为：

3.根据权利要求1所述的基于多智能体深度强化学习的城市街角公园路径规划方法，其特征在于，搭建强化学习环境，并对环境进行初始化的步骤中，训练被部署在VSCode平台上，需要基于Python3.8导入的python库主要包括：parl==2.2.1，paddlepaddle==2.5.1，pandas==1.1.5，numpy==1.19.5，g...

【技术特征摘要】

1.一种基于多智能体深度强化学习的城市街角公园路径规划方法，其特征在于，所述方法包括：

2.根据权利要求1所述的基于多智能体深度强化学习的城市街角公园路径规划方法，其特征在于，单个智能体在一个回合内的总的奖励r的函数表示为：

3.根据权利要求1所述的基于多智能体深度强化学习的城市街角公园路径规划方法，其特征在于，搭建强化学习环境，并对环境进行初始化的步骤中，训练被部署在vscode平台上，需要基于python3.8导入的python库主要包括：parl==2.2.1，paddlepaddle==2.5.1，pandas==1.1.5，numpy==1.19.5，gym==0.26.2，matplotlib==3.3.4。

4.根据权利要求1所述的基于多智能体深度强化学习的城市街角公园路径规划方法，其特征在于，搭建强化学习环境，并对环境进行初始化的步骤中，通过parkenv类来设定多个智能体的环境参数。该类继承自gym.env，并在初始化方法中设定了智能体的数量、动作空间参数和观测空间参数；其中：

5.根据权利要求4所述的基于多智能体深度强化学习的城市街角公园路径规划方法，其特征在于，搭建强化学习环境，并对环境进行初始化的步骤中，每个智能体的观测空间包含多个部分，智能体自身的当前位置由一个二维坐标（x，y）表示，智能体感知到其他 n-1个智能体的位置、起点和终点的位置，起点和终点的位置以及兴趣点的位置，这些位置通过二维坐标表示，智能体感知与其他对象之间的相对位置，这些相对位置通过(dx，dy)形式表示，用来描述智能体与目标物体在水平和垂直方向上的距离；智能体获取一个11x11的高程矩阵，表示其所在区域的地形变化，这个矩阵用于模拟地形对路径规划的影响。

6.根据权利要求4所述的基于多智能体深度强化学习的城市街角公园路径规划方法，其特征在于，在当前环境初始化中，包括三个关键图层：用地红线...

【专利技术属性】
技术研发人员：李早，张紫寰，李思亚，张涛源，
申请(专利权)人：安徽建筑大学，
类型：发明
国别省市：