移动机器人局部避障路径规划仿真研究

研究复杂环境下基于Q-Learning(QL)算法的移动机器人局部路径规划问题,快速、准确地完成避障路径规划。为了解决QL算法收敛速度慢、探索与利用两难及危险区域等问题,提出了一种基于QL-模糊的移动机器人局部避障路径规划方法。首先为了加快QL算法的收敛速度,根据规划问题设计状态动作变量,对其进行离散化处理,降低状态空间维度;在Q矩阵的基础上,设计更新步长算法,使Q矩阵的更新程度不断减弱。然后根据机器人工作环境和规划目标,在设计奖惩函数的基础上,设计ε-探索与利用平衡策略和动作选择算法来选择执行动作,平衡探索与利用问题。为了预防死锁问题,在模糊控制规则中还设计了预防方案,以提高路径规划效率。算法进行了仿真验证。仿真结果表明,即使在复杂的环境中,机器人仍能有效避障,规划出最优或次优路径。