基于强化学习的多定位组件自动选择方法
在一个大规模的动态环境中,针对机器人各种定位传感器的局限性,提出了一种基于强化学习的定位组件自动选择方法。系统采用分布式架构,将机器人不同的定位传感器与定位方法封装为不同的组件。采用强化学习的方法,寻找最优策略,实现多定位组件的实时切换。仿真结果表明,该方法可以解决大型环境中,单一定位方法不能适用于整个环境的问题,能够依靠多定位组件提供可靠的机器人定位信息;环境发生改变时,通过学习的方法不需要重新配置组件,且与直接遍历组件后切换组件的方法相比,极大地减小了延时。
移动机器人、定位、强化学习、中间件:Monte Carlo方法、多传感器、模块化、分布式系统
11
TP242.6(自动化技术及设备)
国家自然科学基金项目61273331.
2016-05-23(万方平台首次上网日期,不代表论文的发表时间)
共6页
149-154