面向未知动态环境的机器人搜救任务避障算法

陈洋; 史殿习; 杨焕焕; 李彤月; 王震

doi:10.1631/FITEE.2300151

Your Location：

Home >

Browse articles >

面向未知动态环境的机器人搜救任务避障算法

常规文章 | Updated：2024-04-29

- 面向未知动态环境的机器人搜救任务避障算法
  Enhanced Publication
- An anti-collision algorithm for robotic search-and-rescue tasks in unknown dynamic environments
- “针对移动机器人在未知动态环境中执行多目标搜索救援任务的问题，研究团队提出了一种基于混合策略纳什均衡的Dyna-Q（MNDQ）算法。该算法通过引入多目标分层结构，简化了多目标的表示，降低了计算复杂性。同时，提出了基于动态风险相对位置的风险监控机制，帮助机器人有效规避潜在碰撞和不必要的绕行。为提高采样效率，研究团队将Dyna-Q与混合策略纳什均衡相结合，形成了MNDQ算法。该算法使机器人在决策时采用概率形式，最大化预期回报，提升了Dyna-Q算法的整体性能。通过一系列模拟实验验证，MNDQ表现出色，展现了其鲁棒性，为未来自主机器人导航任务提供了有力解决方案。这项研究不仅丰富了移动机器人领域的理论体系，还为复杂环境下的机器人导航提供了新的思路和方法。随着技术的不断进步，相信MNDQ算法将在更多实际应用场景中展现其潜力。”
- 信息与电子工程前沿（英文） 2024年25卷第4期页码：569-584
- Affiliations：
  
  1.School of Computer Science, Peking University, Beijing 100871, China
  2.Tianjin Artificial Intelligence Innovation Center, Tianjin 300457, China
  3.Intelligent Game and Decision Lab, Beijing 100071, China
  4.College of Computer, National University of Defense Technology, Changsha 410073, China
- Author bio：
  
  †E-mail: chenyang20@stu.pku.edu.cn
  ‡Corresponding author
- Funds：
  
  National Natural Science Foundation of China(91948303)
- DOI：10.1631/FITEE.2300151
  中图分类号： TP183
- 纸质出版日期：2024-04-0 ，
  
  收稿日期：2023-03-03，
  
  录用日期：2023-08-25
- Accepted：
Scan QR Code
陈洋, 史殿习, 杨焕焕, 等. 面向未知动态环境的机器人搜救任务避障算法[J]. 信息与电子工程前沿（英文）, 2024,25(4):569-584.

YANG CHEN, DIANXI SHI, HUANHUAN YANG, et al. An anti-collision algorithm for robotic search-and-rescue tasks in unknown dynamic environments. [J]. Frontiers of information technology & electronic engineering, 2024, 25(4): 569-584.
陈洋, 史殿习, 杨焕焕, 等. 面向未知动态环境的机器人搜救任务避障算法[J]. 信息与电子工程前沿（英文）, 2024,25(4):569-584. DOI： 10.1631/FITEE.2300151.

YANG CHEN, DIANXI SHI, HUANHUAN YANG, et al. An anti-collision algorithm for robotic search-and-rescue tasks in unknown dynamic environments. [J]. Frontiers of information technology & electronic engineering, 2024, 25(4): 569-584. DOI： 10.1631/FITEE.2300151.

浏览量

Downloads

CSCD

文章被引用时，请邮件提醒。

Submit

工具集

关联资源

Decentralized multi-agent reinforcement learning with networked agents: recent advances

Domain adaptation in reinforcement learning: a comprehensive and systematic study

Multi-agent reinforcement learning behavioral control for nonlinear second-order systems

Embedding expert demonstrations into clustering buffer for effective deep reinforcement learning

A home energy management approach using decoupling value and policy in reinforcement learning

面向未知动态环境的机器人搜救任务避障算法

An anti-collision algorithm for robotic search-and-rescue tasks in unknown dynamic environments

DOI：10.1631/FITEE.2300151