原创力文档- 1、本文档共17页，其中可免费阅读16页，需付费10金币后方可阅读剩余内容。
- 2、本文档内容版权归属内容提供方，所产生的收益全部归内容提供方所有。如果您对本文有版权争议，可选择认领，认领后既往收益都归您。
- 3、本文档由用户上传，本站不保证质量和数量令人满意，可能有诸多瑕疵，付费之前，请仔细先通过免费阅读内容等途径辨别内容交易风险。如存在严重挂羊头卖狗肉之情形，可联系本站下载客服投诉处理。
- 4、文档侵权举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 5、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 6、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。
- 7、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。
- 8、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
一种适用于复杂未知环境的自适应SAC‑PID方法，实现了无模型的PID参数的自适应最优整定。包含如下步骤：首先，获取表征移动机器人当前状态特征的信息；其次，基于深度强化学习SoftActor‑Critic算法，将状态信息输入强化学习网络模型，得到PID控制器的参数，PID控制器输出角速度信息控制移动机器人循迹；最后，根据设计好的奖励函数计算此次动作的奖励，并得到下一个时刻的状态，在与环境的交互中不断优化强化学习网络模型，得到最优的策略网络。该方法克服了传统PID控制自适应调参中对模型和经验的依赖
(19)中华人民共和国国家知识产权局
(12)发明专利
(10)授权公告号 CN 113359704 B
(45)授权公告日 2022.04.19
(21)申请号 202110525617.5 审查员 欧鑫磊
(22)申请日 2021.05.13
文档评论（0）