2023年全國碩士研究生考試考研英語一試題真題(含答案詳解+作文范文)_第1頁
已閱讀1頁,還剩67頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領

文檔簡介

1、局部路徑規(guī)劃是水下機器人(AUV)導航任務中的難點.自適應性是AUV所必須具有的關鍵能力.強化學習被認為是獲取未知環(huán)境下自主機器人控制策略的比較合適的方法,最流行的強化學習是Q-學習,因其簡單并易于擴展經常被人們所采用.本文主要研究了強化學習理論及其在水下機器人局部路徑規(guī)劃中的應用,具體完成的主要工作有:研究了強化學習系統(tǒng)的結構模型,確定了強化學習系統(tǒng)的組成;詳細討論了強化學習系統(tǒng)中的輸入模塊、輸出模塊及策略模塊的實現(xiàn)方法,并結合一般的

2、強化學習系統(tǒng),分析了強化學習系統(tǒng)的工作原理.研究了Q-學習的基本原理、算法和相關的幾種改進算法,如Q(λ)算法和SARSA(λ)算法;區(qū)分了兩類強化學習算法:在策略和離策略算法;討論了SARSA(0)算法的收斂性.為強化學習應用于實時決策系統(tǒng)提供了理論基礎和實現(xiàn)方法.針對標準Q-學習收斂速度較慢的缺點,采用多步在策略SARSA(λ)強化學習算法,該算法克服了Q-學習收斂速度慢的缺點,運行軌跡平滑,訓練過程相對比較安全.CMAC神經網絡是

3、一個局部泛化網絡,相比BP網絡有更快的收斂速度和更好的適應性,非常適合用于動態(tài)在線實時控制.本文提出了在連續(xù)狀態(tài)空間的機器人工作環(huán)境下多步在策略連續(xù)動作強化學習,針對移動機器人局部路徑規(guī)劃問題,用CMAC神經網絡逼近連續(xù)狀態(tài)空間和Q函數(shù),產生與標準離散Q-學習網絡數(shù)據結構相同的連續(xù)動作.結果,該方法對于局部路徑規(guī)劃任務很有效,仿真結果表明,該方法在運行性能和收斂速度兩方面都優(yōu)于其它的離散動作的Q-學習.首次采用路徑規(guī)劃和沿墻壁行走兩個強

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,網頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容,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。

評論

0/150

提交評論