检索结果-南通市图书馆

现代计算机 2024年第5期30卷 37-43页

作者：赵恬恬孔建国梁海军刘晨宇中国民用航空飞行学院空中交通管理学院广汉618300

为有效解决无人机在未知环境下的路径规划问题,提出一种基于dueling dqn的路径规划方法。首先,在dqn的基础上,引入对抗网络架构,从而更好地提高成功率;其次,设计状态空间并定义离散化的动作和适当的奖励函数以引导无人机学习最优路径;... 详细信息

为有效解决无人机在未知环境下的路径规划问题,提出一种基于dueling dqn的路径规划方法。首先,在dqn的基础上,引入对抗网络架构,从而更好地提高成功率;其次,设计状态空间并定义离散化的动作和适当的奖励函数以引导无人机学习最优路径;最后在仿真环境中对dqn和dueling dqn展开训练,结果表明:①dueling dqn能规划出未知环境下从初始点到目标点的无碰撞路径,且能获得更高的奖励值;②经过50000次训练,dueling dqn的成功率比dqn提高17.71%,碰撞率减少1.57%,超过最长步长率降低16.14%。

关键词：无人机路径规划深度强化学习 dueling dqn算法

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于深度强化学习的AUV路径规划研究

引用

机床与液压 2024年第9期52卷 134-141页

作者：房鹏程周焕银董玫君东华理工大学机械与电子工程学院江西南昌330000

针对三维海洋环境水下自主航行器(AUV)路径规划问题,传统的路径规划算法在三维空间中搜索时间长,对环境的依赖性强,且环境发生改变时,需要重新规划路径,不满足实时性要求。为了使AUV能够自主学习场景并做出决策,提出一种改进的dueling ... 详细信息

针对三维海洋环境水下自主航行器(AUV)路径规划问题,传统的路径规划算法在三维空间中搜索时间长,对环境的依赖性强,且环境发生改变时,需要重新规划路径,不满足实时性要求。为了使AUV能够自主学习场景并做出决策,提出一种改进的dueling dqn算法,更改了传统的网络结构以适应AUV路径规划场景。此外,针对路径规划在三维空间中搜寻目标点困难的问题,在原有的优先经验回放池基础上提出了经验蒸馏回放池,使智能体学习失败经验从而提高模型前期的收敛速度和稳定性。仿真实验结果表明:所提出的算法比传统路径规划算法具有更高的实时性,规划路径更短,在收敛速度和稳定性方面都优于标准的dqn算法。

关键词：自主水下航行器(AUV) 三维路径规划深度强化学习 dueling dqn算法

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

深度学习在无人车路径规划中的应用研究

深度学习在无人车路径规划中的应用研究

引用

作者：任书宇贵州大学

学位级别：硕士

随着技术的发展和国家政策的支持导向,无人驾驶汽车的发展成为大势所趋。无人车可以满足人们对更高驾驶安全性的需求,优化资源、空间和时间配置,减少污染物排放对环境的影响。路径规划是无人车信息感知和智能控制的桥梁,是实现汽车智能... 详细信息

随着技术的发展和国家政策的支持导向,无人驾驶汽车的发展成为大势所趋。无人车可以满足人们对更高驾驶安全性的需求,优化资源、空间和时间配置,减少污染物排放对环境的影响。路径规划是无人车信息感知和智能控制的桥梁,是实现汽车智能化的关键技术之一。其主要目标是在具有动态障碍物的复杂多变环境中,满足所有约束条件,规划出一条从起始点到期望终点的安全可靠行驶路径。本文首先分析了自动驾驶技术模块,基于车辆的运动学和动力学约束构建了车辆数学模型,并比较各深度强化学习(Deep Reinforcement Learning,DRL)算法的优劣性;其次,使用离散的DRL算法对无人车进行路径规划,研究分析深度Q网络(Deep Q-Network,dqn)算法,针对其过拟合问题,选择加入竞争评价网络的dueling dqn算法对车辆进行路径规划,为解决dueling dqn算法采样效率较低与学习率不易设置的问题,提出了使用权重经验重放机制和WAdam优化器的MOD-dueling dqn算法,并在状态空间和奖励函数的设计过程中考虑道路高度信息,通过实验验证了改进算法的有效性;之后,研究分析端到端的智能驾驶模型,在CARLA模拟器下构建全局规划器、包括车辆跟踪控制和车道变换控制在内的行为规划器、及基于Frenet坐标系下的Lattice算法实现的局部规划器,串行连接的深度路径规划系统,利用车辆及其所在环境的已知信息,考虑硬约束和软约束限制,得到车辆的最优轨迹;最后,使用连续的DRL算法实现无人车深度路径规划,由于串行连接的深度路径规划系统存在计算量较大且系统不稳定的问题,选择深度确定性策略梯度算法(Deep Deterministic Policy Gradient Algorithms,DDPG)直接实现端到端的深度路径规划,在算法执行过程中不执行任何离散化操作,针对DDPG算法平均采样导致的采样效率较低、确定性策略梯度导致探索能力较差及学习率设置较困难的问题进行改进,设计了引入优先权重经验重放机制、OU噪声及W-Adam自适应学习率优化器的MOD-DDPG算法,并在CARLA模拟器下进行对比验证和结果分析,说明了算法的实用性。

关键词：无人驾驶汽车路径规划深度强化学习 dueling dqn算法 DDPG算法 CARLA模拟器

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：