Deep reinforcement learning-based composite path planning with key path points
本文提出了一种结合Voronoi 图和深度强化学习的机器人路径规划方法. 在全局规划方面, 通过Voronoi 图构建“安全区域”, 利用A*算法和关键路径点提取算法优化路径点,为局部规划提 供目标. 局部规划采用SW-RDQN 算法, 通过多阶段路径分割、基于预测的轨迹落点与环境势场设 计的独特奖励以及对关键避障和高回报场景进行权重平衡回放训练, 增强了对复杂动态环境的适应 能力. 状态输入融合了卷积和多层感知机提取信息,取若干场景帧送入LSTM模型,最后由稠密层做 出决策,提升了机器人对动态环境的感知和响应能力.该方法有效提升了机器人在动态环境中的路径 规划精度与鲁棒性.
Authors
- Chaoxu Mu (ORCID: https://orcid.org/0000-0003-1055-9513)
- Lei Xing (ORCID: https://orcid.org/0000-0003-2536-5359)
- Zhenguo Sun (ORCID: https://orcid.org/0000-0003-2475-7449)
- Chao Sun
- Jiang Wang (ORCID: https://orcid.org/0009-0008-6154-4470)
Publication Details
- Journal
- Scientia Sinica Informationis
- Published
- 2025-08-13
- DOI
- https://doi.org/10.1360/ssi-2025-0101
- Primary Topic
- Robotic Path Planning Algorithms
- Type
- article
- Field-Weighted Citation Impact
- 0.00