原创力文档- 1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
- 2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
第27卷第2期 吉林大学学报(信息科学版) V01．27No．2
ofJilin Science Mar．2009
2009年3月 Journal University(InformationEdition)
文章编号2009)02-0185-06
基于RBFNN的强化学习在机器人导航中的应用
吴洪岩，刘淑华， 张 嵛
(东北师范大学计算机学院，长春130117)
摘要：在复杂连续环境下，强化学习系统的状态空间面临维数灾难问题，需要采取量化的方法，降低输入空
BasisFunctionNeural
间的复杂度。径向基神经网络(RBFNN：Radial Networks)具有较强的函数逼近能力及泛
化能力，由此提出了基于径向基神经网络的Q学习方法，并将其应用于单机器人的自主导航。在基于径向基
神经网络的强化学习系统中，用径向基神经网络逼近状态空间和Q函数，使学习系统具有良好的泛化能力。
仿真结果表明，该导航方法具有较强的避碰能力，提高了机器人对环境的适应能力。
关键词：Q学习；RBF神经网络；机器人自主导航
中图分类号：7rP242 文献标识码：A
ofReinforcementBasedonRadialBasisFunction
Application Learning
NeuralNetworksinRobot
Navigation
WU Yu
Hong—yan，LIUShu—hua，ZHANG
of Normal
(SchoolComputerScience，NortheastUniversity，Changehun130117，China)
a andcontinuous willcausethedimensional
Abstract：In
complex environment，ReinforcementLearningsystem
disasterand isoften toreducethe of FunctionNeural
Basis
generalizationadopted complexityinputspace．Radial
BasisFunctionNeural thefunctionof and
Networks(RBFNN：RadialNetworks)has strongapproximationgen—
eralization．ReinforcementbasedonRBFNNis itisusedinthe
Learning proposed，and single—robotnavigation．
are
Inthe state andfunction RBFNN．Simulationresultsshowthat
learningsystem，thespaceQ approximatedby
文档评论（0）