基于深度强化学习的AGV自主避障与路径规划算法.docxVIP

PAGE2

基于深度强化学习的AGV自主避障与路径规划算法

摘要

随着智能物流与智能制造快速发展，自动导引车（AGV）在复杂动态环境中自主导航的需求日益迫切。传统避障与路径规划方法依赖精准环境建模和大量人工标注，难以适应高动态与不确定场景。本设计以激光雷达点云数据为状态输入，采用双延迟深度确定性策略梯度（TD3）算法训练端到端避障策略，避免人工特征工程，直接在连续动作空间中输出线速度与角速度指令，实现从感知到控制的完整映射。

论文遵循工程设计递进思路：第一章分析工业场景中AGV自主避障的现实痛点和现有方案的不足；第二章介绍深度强化学习与激光雷达感知关键技术并完成选型论证；第三章细化系统功能与非功能需求；第四章设计感知-决策-控制的总体架构与模块划分；第五章详细设计状态处理、策略网络与训练流程；第六章实现核心算法并攻克训练不稳定与稀疏奖励等技术难点；第七章通过仿真测试验证避障成功率与路径效率；第八章总结工作并提出未来改进方向。本设计的核心特色在于：采用TD3算法缓解值函数过估计问题，引入冻结目标网络与延迟策略更新提升训练稳定性，并设计面向避障的复合奖励函数，实现了无模型、端到端的避障路径规划。

第一章绪论

1.1研究背景

自动导引车（AGV）已在仓储、制造、港口等诸多场景中大规模应用，承担物料搬运与分拣等任务。然而，传统AGV多工作于结构化程度高、障碍物固定且路线预定义的半