多主体机器人路径规划方法研究

Research on path planning methods of multi-agent

针对现存强化学习算法在输入数据维度较低时寻路用时较长,碰撞率高的问题,提出了一种基于深度强化学习的多主体机器人路径规划方法。该方法引入LSTM(long-short)网络处理不同维度的输入数据,选取NoisyNet-GA3C网络架构,应用A3C的多线程结构在gpu上训练,提高算法的训练速度,加强主体的学习能力。引入NoisyNet,在深度强化学习网络的全连接层添加噪声层,以对参数添加噪声进行训练的方式来增加模型的探索能力。程序模拟结果表明,在输入数据维度较低时,添加噪声后的深度强化学习路径规划相比与现存算法缩短了主体到达目标的时间,并且有效降低了碰撞率。