欢迎来到天天文库
浏览记录
ID:36554966
大小:2.97 MB
页数:58页
时间:2019-05-12
《基于Q学习的移动机器人路径规划研究》由会员上传分享,免费在线阅读,更多相关内容在学术论文-天天文库。
1、论文题目:基于Q学习的移动机器人路径规划研究作者姓名:专业名称:指导教师:论文提交日期:论文答辩日期:授予学位日期:至Q!兰生§旦至Q!兰生鱼旦入学时间:研究方向:职称:基且9一自一瞳箜鳢』基』11一-:U一一逝世趾RESEARCHoNMOBILEROBoTPIATHPLANNINGBASEDONQ-LEARNINGADissertationsubmittedinfulfillmentoftherequirementsofthedegreeofMrASTEROFENGINEERINGfromShandongUn
2、iversityofScienceandTechnologyDongWenzhengSupervisor:ProfessorZhaoZengshunCollegeofInformation&ElectricalEngineeringMay2013声明本人呈交给山东科技大学的这篇硕士学位论文,除了所列参考文献和世所公认的文献外,全部是本人在导师指导下的研究成果。该论文资料尚没有呈交于其它任何学术机关作鉴定。硕士生签名:日菇支攻期:2o膨。么./与AFFIRMArrIoNIdeclarethatthisdisser
3、tation,submittedinfulfillmentoftherequirementsfortheawardofMasterofEngineeringinShandongUniversityofScienceandTechnology,iswhollymyownworkunlessreferencedofacknowledge.Thedocumenthasnotbeensubmittedforqualificationatanyotheracademicinstitute.signat一阢了Date:王扩
4、/7≥.多.∽kz易,专山东科技大学硕士学位论文摘要在机器人学以及智能控制领域中,静态未知环境中移动机器人的路径规划理论与技术是一个研究热点,越来越多的应用需求也对移动机器人技术的研究提出了新的挑战。强化学习作为一种具有很强在线自适应性的学习方法,为提高移动机器人的自主性和智能性提供了一个研究方向,在移动机器人路径规划领域得到了广泛的关注。首先分析了移动机器人路径规划的方法,介绍了强化学习的相关理论,针对基于强化学习的移动机器人路径规划在连续状态空间和动作空间的泛化问题、探索与利用平衡的问题以及奖惩函数设计上的
5、问题,设计了相应的解决方案,并提出了在静态未知环境中移动机器人的路径规划方法。针对静态未知环境中连续状态空间和动作空问的泛化问题,引入了模糊推理系统;为了解决探索与利用的平衡问题,采用模拟退火动作选择策略,在此基础上,将模糊推理和模拟退火与Q学习相结合,提出了基于模糊推理和模拟退火的Q学习算法,并在应用于移动机器人的路径规划上。同时,针对一般奖惩函数对具体环境和路径规划描述不准确从而导致学习收敛速度降低的问题,设计了一个动态的非均匀奖惩函数,更加准确地对每一个动作进行评价。仿真结果表明,该算法收敛速度更快,学习
6、效率更高,能够找到一条光滑无碰撞的路径。关键词:路径规划,强化学习,模糊推理,模拟退火山东科技大学硕士学位论文摘要AbstractStatictheoryandtechnologyofmobilerobotpathplanninginstaticunknownenvironmentsisahotresearchtopicinthefieldofroboticsandintelligentcontrol,moreandmoreapplicationsdemandhasbroughtnewchallengesfor
7、mobileroboticsresearch.Reinforcementlearningasastrongonlineadaptivelearningmethod,providesaresearchdirectiontoimprovetheautonmyandintelligentofmobilerobotandhasreceivedwideattentioninthefieldofmobilerobotpathplanning,Themethodofmobilerobotpathplanningisanaly
8、zedfirstly,andthenintroducedtherelatedtheoryofreinforcementlearning.Tosolvetheissuesinpathplanningbasedonreinforcementlearning,suchasgeneralizationproblemincontinuousstatespaceandactionspace,exp
此文档下载收益归作者所有