基于深度强化学习的应急机器人路径规划研究.pdfVIP

基于深度强化学习的应急机器人路径规划研究1

基于深度强化学习的应急机器人路径规划研究

摘要

本研究旨在探索深度强化学习技术在应急机器人路径规划领域的应用潜力与实现

路径。随着自然灾害和突发公共事件频发，应急机器人在灾害救援中的重要性日益凸

显，而路径规划作为其核心功能，直接影响救援效率与成功率。传统路径规划算法在复

杂动态环境中存在适应性差、计算效率低等局限性，而深度强化学习通过结合深度学习

的感知能力与强化学习的决策能力，为解决这一问题提供了新思路。本研究构建了基于

深度Q网络（DQN）和深度确定性策略梯度（DDPG）的混合算法框架，通过仿真实验

验证了其在多障碍物动态环境下的优越性能。实验数据显示，与传统A算法相比，本

研究提出的方法在路径规划时间上缩短了37.2%，路径优化程度提升了28.6%，且在未

知环境中的适应能力提高了42.3%。研究成果可为应急机器人系统开发提供理论支撑和

技术参考，对提升我国应急救援智能化水平具有重要意义。

引言与背景

1.1研究背景与意义

近年来，全球范围内自然灾害与人为事故频发，据应急管理