1.Application of Deep Reinforcement Learning in Mobie Robot Path Planning
- 传统RL方法依赖于人工提取特征,本文在强化学习的基础上加入深度Q网络(a Deep Q Network)。通过深度Q网络训练状态函数,并输出每个动作相对应的Q。
- 深度Q网络模型:
状态:从环境中采集的原始RGB图像。
动作:机器人可能的移动,即前后左右。
- a Deep Q Network(DQN):
融合深度学习和强化学习。
深度学习:负责表示马尔科夫决策过程的状态。
强化学习:负责把控学习方向。
DQN 算法的主要做法是 Experience Replay(经验回放机制),其将系统探索环境得到的数据储存起来,然后随机采样样本更新深度神经网络的参数。
- Q-Learning:
reward值矩阵R,矩阵Q,状态s(图节点),行为a(图中边)。
随机选取状态s和行为a,使用矩阵R,更新矩阵Q。多次计算,最终得到矩阵Q,根据Q即可计算最优路径。![h](https://pic2.zhimg.com/80/e6905f69595ed51e9a406a47603d49ef_hd.jpg)