基于输出层具有噪声的DQN的无人车路径规划
在DQN算法的框架下,研究了无人车路径规划问题.为提高探索效率,将处理连续状态的DQN算法加以变化地应用到离散状态,同时为平衡探索与利用,选择仅在DQN网络输出层添加噪声,并设计了渐进式奖励函数,最后在Gazebo仿真环境中进行实验.仿真结果表明:① 该策略能快速规划出从初始点到目标点的无碰撞路线,与Q-learning算法、DQN算法和noisynet_DQN算法相比,该文提出的算法收敛速度更快;② 该策略关于初始点、目标点、障碍物具有泛化能力,验证了其有效性与鲁棒性.
深度强化学习、无人车、DQN算法、Gauss噪声、路径规划、Gazebo仿真
44
O29(应用数学)
国家自然科学基金61773152
2023-05-18(万方平台首次上网日期,不代表论文的发表时间)
共11页
450-460