Resumen

Con el objetivo de abordar los problemas de baja tasa de éxito y lenta velocidad de aprendizaje del algoritmo DDPG en la planificación de trayectorias de un robot móvil en un entorno dinámico, se diseña un algoritmo DDPG mejorado. En este artículo, se utiliza el algoritmo RAdam para reemplazar el optimizador de la red neuronal en DDPG, combinado con el algoritmo de curiosidad para mejorar la tasa de éxito y la velocidad de convergencia. Basándose en el algoritmo mejorado, se añade la repetición de experiencias prioritarias y se introduce el aprendizaje por transferencia para mejorar el efecto del entrenamiento. A través del sistema operativo de robots ROS y el software de simulación Gazebo, se establece un entorno de simulación dinámica, y se comparan el algoritmo DDPG mejorado y el algoritmo DDPG original. Para la tarea de planificación de trayectorias dinámicas del robot móvil, los resultados de la simulación muestran que la velocidad de convergencia del algoritmo DDPG mejorado se incrementa en un 21%, y la tasa de éxito se incrementa al 90% en comparación con el algoritmo DDPG original. Tiene un buen efecto en la planificación de trayectorias dinámicas para robots móviles con un espacio de acción continuo.

• Materias:Inteligencia artificial Aplicación móvil Asistencia tecnológica a personas con discapacidad Tecnología en educación
• Subjects:Artificial intelligence Mobile application Technological assistance to people with disabilities Technology in education
• Palabras claves:Problemas; Algoritmo DDPG; Algoritmo RAdam; Algoritmo curiosity; Repetición de experiencias prioritarias; Aprendizaje por transferencia
• Keywords:Problems; DDPG algorithm; RAdam algorithm; Curiosity algorithm; Priority experience replay; Transfer learning