已閱讀1頁，還剩49頁未讀， 繼續(xù)免費閱讀
版權說明：本文檔由用戶提供并上傳，收益歸屬內(nèi)容提供方，若內(nèi)容存在侵權，請進行舉報或認領
文檔簡介
1、機器人對環(huán)境的適應程度決定了其智能的高低,在復雜非結構環(huán)境中,機器人的適應能力受到嚴重挑戰(zhàn),這要求機器人必須具備學習能力,強化學習機制以其優(yōu)秀的自適應性和對學習條件的弱要求,為機器人的行為學習提供了途徑。針對覓食行為具有廣泛的代表性和較高的實際應用價值,本文利用強化學習機制對機器人的覓食行為學習作出了一系列研究。
強化學習算法的關鍵問題是算法的收斂性以及收斂速度,這決定了機器人覓食學習的成敗和學習速度的快慢。文中提出將覓食行為
2、分解成普通的行為集成塊,極大地減小學習空間,建立標準的馬爾可夫決策過程(MDPs),同時加入一定的先驗知識加速學習過程。利用Q學習進行單個機器人覓食學習的仿真實驗結果表明,分解任務和加入先驗知識的措施對在線學習速度的提升效果明顯。
針對多機器人系統(tǒng)相比單個機器人具有的并行性、魯棒性等特點,文中提出利用平均報酬的強化學習算法誘導多機器人產(chǎn)生協(xié)作覓食行為,并提出一種基于Schweitzer變換的相對值迭代(RVI)強化學習(RL)
溫馨提示
- 1. 本站所有資源如無特殊說明，都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等，如果需要附件，請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙，網(wǎng)頁內(nèi)容里面會有圖紙預覽，若沒有圖紙預覽就沒有圖紙。
- 4. 未經(jīng)權益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間，僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理，對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯，并不能對任何下載內(nèi)容負責。
- 6. 下載文件中如有侵權或不適當內(nèi)容，請與我們聯(lián)系，我們立即糾正。
- 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于強化學習算法的機器人系統(tǒng)覓食任務研究.pdf
- 基于強化學習的多機器人追捕問題研究.pdf
- 基于強化學習的服務機器人導航研究.pdf
- 基于強化學習的多機器人協(xié)作研究.pdf
- 基于強化學習的多機器人圍捕策略研究.pdf
- 基于強化學習的多機器人協(xié)作機制研究.pdf
- 基于強化學習的多機器人圍捕策略的研究.pdf
- 基于強化學習的足球機器人決策系統(tǒng)設計.pdf
- 基于強化學習的多機器人協(xié)作控制方法研究.pdf
- 基于多層強化學習的多機器人團隊協(xié)作.pdf
- 基于強化學習的自主移動機器人導航研究.pdf
- 基于CE-Q強化學習與K-means聚類混合算法的多機器人覓食任務研究.pdf
- 基于強化學習的輪式移動機器人避障研究.pdf
- 基于分層強化學習的移動機器人路徑規(guī)劃.pdf
- 基于多智能體強化學習的足球機器人決策策略研究.pdf
- 基于強化學習的雙足機器人無源動態(tài)行走.pdf
- 基于強化學習的移動機器人自主學習及導航控制.pdf
- 機器人的人類行為模仿與強化學習研究.pdf
- 強化學習在足球機器人仿真中的應用.pdf
- 基于狀態(tài)預測強化學習的移動機器人路徑規(guī)劃研究.pdf
評論
0/150
提交評論