CN113985870A - 一种基于元强化学习的路径规划方法 - Google Patents
一种基于元强化学习的路径规划方法 Download PDFInfo
- Publication number
- CN113985870A CN113985870A CN202111217714.4A CN202111217714A CN113985870A CN 113985870 A CN113985870 A CN 113985870A CN 202111217714 A CN202111217714 A CN 202111217714A CN 113985870 A CN113985870 A CN 113985870A
- Authority
- CN
- China
- Prior art keywords
- target
- network
- reinforcement learning
- meta
- function
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000002787 reinforcement Effects 0.000 title claims abstract description 24
- 238000000034 method Methods 0.000 title claims abstract description 18
- 230000006870 function Effects 0.000 claims abstract description 34
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 15
- 230000009471 action Effects 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 241000270322 Lepidosauria Species 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 3
- 238000009795 derivation Methods 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 claims 1
- 238000004088 simulation Methods 0.000 abstract description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Traffic Control Systems (AREA)
- Feedback Control In General (AREA)
Abstract
本发明属于人工智能算法技术领域，具体为一种基于元强化学习的路径规划方法。本发明方法包括：用matlab模拟环境，生成起始点、障碍物、目标点，为模型训练提供模拟环境；将元学习与强化学习结合构成元强化学习模型，设计经验池、卷积神经网络、目标值函数、损失函数等；对元强化学习模型进行训练，用reptile算法进行参数更新。仿真结果表明，基于元强化学习的模型能快速找出最佳路径。
Description
技术领域
本发明属于自动驾驶技术领域，具体涉及一种基于元强化学习的路径规划方法。
背景技术
自动驾驶是当前研究的热点，也是未来汽车发展的趋势。自动驾驶汽车是传感器，网络通信，导航定位，人工智能等学科综合体，其中导航走位、路径规划、行为决策和车辆控制是自动驾驶的关键技术。例如路径规划就是运动控制领域的研究热点之一。针对路径规划问题，已经提出多种方法，如遗传算法、蚁群算法、粒子群算法等。这些算法虽然相对于传统算法来说，克服后者操作复杂、求解效率低的缺点，但仍然不能满足路径规划的操作和求解高效率要求。
元学习算法具有强大的泛化能力，能够利用有限的先验知识，实现在新任务上的快速泛化。强化学习能通过智能体在与环境的交互过程中通过学习策略以达成回报最大化或实现特定目标。本发明结合二者的这两个特点，研发出一种元强化学习算法，并将其应用于路径规划，可以在更少的时间内寻找出最佳路径。
发明内容
本发明的目的在于提出一种能快速寻找出最佳路径的基于元强化学习的路径规划方法，
本发明提出的基于元强化学习的路径规划方法，具体步骤为：
S1、将经验池D和Q网络的参数w初始化，目标Q-target网络(王鼎新.基于改进Q-learning算法的AGV路径规划[J].电子设计工程,2021,29(04):7-10+15.)的参数
设为随机值，其中经验池D用来存放经验。
S2、用matlab进行仿真(封硕,舒红,谢步庆.基于改进深度强化学习的三维环境路径规划[J].计算机应用与软件,2021,38(01):250-255.)，生成环境，障碍物和目标点。
S3、Q网络和目标Q-target网络采用相同结构的卷积神经网络CNN进行计算f(s,a,w*)≈Q*(s,a)，其中f(s,a,w*)表示卷积神经网络的计算函数，Q*(s,a)表示Q网络或目标Q-target网，络，w*表示参数w或参数
s和a表示当前状态和当前状态对应的动作，输出向量为Q*(s,a)。
S4、采用ε-greedy策略(A.Ray and H.Ray,"Proposingε-greedy ReinforcementLearning Technique to Self-Optimize Memory Controllers,"2021 2ndInternational Conference on Secure Cyber Computing and Communications(ICSCCC),2021,pp.318-323)：以1-ε的概率选择最优动作at＝maxa Q(St,a),St为当前状态，以ε的概率选取随机动作at。
S5、执行动作at，得到当前奖励rt，下一时刻状态St+1，将(St,at,rt,St+1)加入经验池，更新经验池，其中奖励函数r(S)根据不同应用场景设定。
S6、从经验池中随机采样一批数据，计算变更函数和目标值，包括以下子步骤：
S61、采样的一批数据即为一批(St,at,rt,St+1)四元组；
S62、为了克服深度强化学习的过估计问题，改进目标值，增大最优值与次优值的差距；为了详细表达，定义了变更函数来建模，变更函数表示如下：
S63、用目标网络Q-target计算目标值V(s)，ST为最终的状态：
其中，γ为折扣因子，可以根据实际情况设置成合适的常数；一般地，选取γ＝0.1-0.5；实施例中选取γ＝0.1；
S64、计算目标值公式如下：
yt＝V(s)×B(St,at,rt,St+1)。
S7、构建损失函数与梯度更新，包括以下子步骤：
S71、构建损失函数：
式中，
为目标网络输出，Q(s,a,w)是当前网络输出，计算当前状态-动作对的值函数；
S72、对损失函数loss求导，进行梯度下降，采用元学习中的reptile算法更新参数w和
从而训练网络，公式如下：
这里使用φ代表w或
利用SGD或Adam对loss函数求导进行梯度更新，得到第一步更新后的权重参数
然后进行第二步梯度更新：
其中ε为一个较小的可设置的超参数；一般地，取ε＝0.01-0.2，实施例中取ε＝0.1。
本发明优点：将元学习与强化学习结合成的元强化学习，充分利用了元学习泛化能力强，能快速适应新任务的特点，能快速寻找出最佳路径，为解决汽车路径规划提供了新方案。
附图说明
图1是一种基于元强化学习的模型构建流程示意图。
图2是一种基于元强化学习的路径规划流程图。
具体实施方式
下面结合实施例进一步说明本发明的技术方案。
本实施例选取自动导引车(AutomatedGuided Vehicle，AGV)，AGV找到一条从起始位置到达预定目标位置的最优路径且AGV在行进过程中不与障碍物发生碰撞，包括以下步骤：
S1、将经验池D和Q网络的参数w初始化，目标Q-target网络的参数
设为随机值，其中经验池D用来存放经验。
S2、用matlab进行仿真，生成环境，障碍物和目标点。
S3、Q网络和目标Q-target网络采用相同结构的卷积神经网络CNN进行计算f(s,a,w*)≈Q*(s,a)，其中f(s,a,w*)表示卷积神经网络的计算函数，Q*(s,a)表示Q网络或目标Q-target网，络，w*表示参数w或参数
s和a表示当前状态和当前状态对应的动作，输出向量为Q*(s,a)。
S31、本实施例采用的卷积神经网络CNN具有3个完全相同的卷积模块，每个卷积模块有卷积层，批量归一化层和池化层，卷积层有64个卷积核，卷积核尺寸是3×3，批量归一化层采用BatchNorm2d进行数据的归一化处理，避免因为数据过大而导致网络性能的不稳定，接着采用Relu激活函数，池化层的池化窗口尺寸为2×2，步长为2，按这种方式设计3个完全相同的卷积模块并连接在一起，在完成第一个卷积神经网络状态提取之后将第一个提取的特征输入第二个进一步进行状态提取，依次类推到第3层完成状态提取。
S4、采用ε-greedy策略：以1-ε的概率选择最优动作at＝maxa Q(St,a),St为当前状态，以ε的概率选取随机动作at，这里ε＝0.1。
S5、执行动作at，得到当前奖励rt，下一时刻状态St+1，将(St,at,rt,St+1)加入经验池，更新经验池，其中奖励函数r(S)在该场景下为：
S6、从经验池中随机采样一批数据，计算变更函数和目标值，包括以下子步骤：
S61、采样的一批数据即为一批(St,at,rt,St+1)四元组；
S62、为了克服深度强化学习的过估计问题，改进目标值，增大最优值与次优值的差距；为了详细表达，定义了变更函数来建模，变更函数表示如下：
式中，选取b＝0.8；
S63、用目标网络Q-target计算目标值V(s)，ST为最终的状态：
式中，选取γ＝0.1；
S64、计算目标值公式如下：
yt＝V(s)×B(St,at,rt,St+1)。
S7、构建损失函数与梯度更新，包括以下子步骤：
S71、构建损失函数：
式中，
为目标网络输出，Q(s,a,w)是当前网络输出，计算当前状态-动作对的值函数；
S72、对损失函数loss求导，进行梯度下降，采用元学习中的reptile算法更新参数w和
公式如下：
这里使用φ代表w或
利用SGD或Adam对loss函数求导进行梯度更新，得到第一步更新后的权重参数
然后进行第二步梯度更新：
其中ε＝0.1；仿真结果表明，基于元强化学习的路径规划方法，能较好地为AGV规划出最佳路径。
以上所述地实施例仅是为了更好地阐述本发明提出地方法与装置，从而帮助读者更好地理解本发明原理，该实施例以及参数设置应被理解为本发明地保护范围并不局限于这样地特例称述和实施例。本领域的技术工作人员可以根据本发明公开的以上技术做出其它各种不脱离本发明实质范围的其它各种具体变形与组合，这些变形与组合仍然属于本发明的保护范围之内。
Claims (2)
1.一种基于元强化学习的路径规划方法，其特征在于，具体步骤如下：
S1、将经验池D和Q网络的参数w初始化，目标Q-target网络的参数
设为随机值，其中经验池D用来存放经验；
S2、用matlab进行仿真，生成环境、障碍物和目标点；
S3、Q网络和目标Q-target网络采用相同结构的卷积神经网络CNN进行计算f(s，a，w*)≈Q*(s，a)，其中f(s，a，w*)表示卷积神经网络的计算函数，Q*(s，a)表示Q网络或目标Q-target网，络，w*表示参数w或参数
s和a表示当前状态和当前状态对应的动作，输出向量为Q*(s，a)；
S4、采用ε-greedy策略：以1-ε的概率选择最优动作at＝maxa Q(St，a)，St为当前状态，以ε的概率选取随机动作at；
S5、执行动作at，得到当前奖励rt，下一时刻状态St+1，将(St，at，rt，St+1)加入经验池，更新经验池，其中奖励函数r(S)根据不同应用场景设定；
S6、从经验池中随机采样一批数据，计算变更函数和目标值，包括以下子步骤：
S61、采样的一批数据即为一批(St，at，rt，St+1)四元组；
S62、为了克服深度强化学习的过估计问题，改进目标值，增大最优值与次优值的差距；定义变更函数来建模，变更函数表示如下：
S63、用目标网络Q-target计算目标值V(s)，ST为最终的状态：
其中，γ为折扣因子，根据实际情况设置成合适的常数；
S63、计算目标值公式如下：
yt＝V(s)×B(St，at，rt，St+1)；
S7、构建损失函数与梯度更新，包括以下子步骤：
S71、构建损失函数：
式中，
为目标网络输出，Q(s，a，w)是当前网络输出，计算当前状态-动作对的值函数；
S72、对损失函数loss求导，进行梯度下降，采用元学习中的reptile算法更新参数w和
从而训练网络，公式如下：
使用φ代表w或
利用SGD或Adam对loss函数求导进行梯度更新，得到第一步更新后的权重参数
然后进行第二步梯度更新：
其中，ε为一个较小的可设置的超参数。
2.根据权利要求1所述的基于元强化学习的路径规划方法，其特征在于，采用的卷积神经网络CNN具有3个完全相同的卷积模块，每个卷积模块有卷积层、批量归一化层和池化层；卷积层有64个卷积核，卷积核尺寸是3×3；批量归一化层采用BatchNorm2d进行数据的归一化处理，接着采用Relu激活函数；池化层的池化窗口尺寸为2×2，步长为2，按这种方式设计3个完全相同的卷积模块并连接在一起，在完成第一个卷积神经网络状态提取之后将第一个提取的特征输入第二个进一步进行状态提取，依次类推到第3层完成状态提取。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111217714.4A CN113985870B (zh) | 2021-10-19 | 2021-10-19 | 一种基于元强化学习的路径规划方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111217714.4A CN113985870B (zh) | 2021-10-19 | 2021-10-19 | 一种基于元强化学习的路径规划方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113985870A true CN113985870A (zh) | 2022-01-28 |
| CN113985870B CN113985870B (zh) | 2023-10-03 |
Family
ID=79739449
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111217714.4A Active CN113985870B (zh) | 2021-10-19 | 2021-10-19 | 一种基于元强化学习的路径规划方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113985870B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111260026A (zh) * | 2020-01-10 | 2020-06-09 | 电子科技大学 | 一种基于元强化学习的导航迁移方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110794842A (zh) * | 2019-11-15 | 2020-02-14 | 北京邮电大学 | 基于势场的强化学习路径规划算法 |
| WO2020056875A1 (zh) * | 2018-09-20 | 2020-03-26 | 初速度（苏州）科技有限公司 | 一种基于深度强化学习的停车策略 |
| CN110977967A (zh) * | 2019-11-29 | 2020-04-10 | 天津博诺智创机器人技术有限公司 | 一种基于深度强化学习的机器人路径规划方法 |
| CN112286203A (zh) * | 2020-11-11 | 2021-01-29 | 大连理工大学 | 一种基于蚁群算法的多智能体强化学习路径规划方法 |
| CN112362066A (zh) * | 2020-11-20 | 2021-02-12 | 西北工业大学 | 一种基于改进的深度强化学习的路径规划方法 |
| WO2021135554A1 (zh) * | 2019-12-31 | 2021-07-08 | 歌尔股份有限公司 | 一种无人车全局路径规划方法和装置 |
| CN113359820A (zh) * | 2021-05-28 | 2021-09-07 | 中国地质大学（武汉） | 一种基于dqn的无人机路径规划方法 |
-
2021
- 2021-10-19 CN CN202111217714.4A patent/CN113985870B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020056875A1 (zh) * | 2018-09-20 | 2020-03-26 | 初速度（苏州）科技有限公司 | 一种基于深度强化学习的停车策略 |
| CN110794842A (zh) * | 2019-11-15 | 2020-02-14 | 北京邮电大学 | 基于势场的强化学习路径规划算法 |
| CN110977967A (zh) * | 2019-11-29 | 2020-04-10 | 天津博诺智创机器人技术有限公司 | 一种基于深度强化学习的机器人路径规划方法 |
| WO2021135554A1 (zh) * | 2019-12-31 | 2021-07-08 | 歌尔股份有限公司 | 一种无人车全局路径规划方法和装置 |
| CN112286203A (zh) * | 2020-11-11 | 2021-01-29 | 大连理工大学 | 一种基于蚁群算法的多智能体强化学习路径规划方法 |
| CN112362066A (zh) * | 2020-11-20 | 2021-02-12 | 西北工业大学 | 一种基于改进的深度强化学习的路径规划方法 |
| CN113359820A (zh) * | 2021-05-28 | 2021-09-07 | 中国地质大学（武汉） | 一种基于dqn的无人机路径规划方法 |
Non-Patent Citations (2)
| Title |
|---|
| 胡思逸;沈岱灵;周小林;凌力;: "基于深度学习的泊松散弹噪声受限光子计数通信系统速率优化研究", 微型电脑应用, no. 06, pages 5 - 8 * |
| 陆军, 徐莉, 周小平: "强化学习方法在移动机器人导航中的应用", 哈尔滨工程大学学报, no. 02, pages 51 - 54 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111260026A (zh) * | 2020-01-10 | 2020-06-09 | 电子科技大学 | 一种基于元强化学习的导航迁移方法 |
| CN111260026B (zh) * | 2020-01-10 | 2022-07-05 | 电子科技大学 | 一种基于元强化学习的导航迁移方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113985870B (zh) | 2023-10-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112362066B (zh) | 一种基于改进的深度强化学习的路径规划方法 | |
| US20220363259A1 (en) | Method for generating lane changing decision-making model, method for lane changing decision-making of unmanned vehicle and electronic device | |
| CN110977967A (zh) | 一种基于深度强化学习的机器人路径规划方法 | |
| CN109726676B (zh) | 自动驾驶系统的规划方法 | |
| CN110297490B (zh) | 基于强化学习算法的异构模块化机器人自重构规划方法 | |
| CN112550314B (zh) | 适用于无人驾驶的嵌入优化式控制方法及其驾驶控制模块和自动驾驶控制系统 | |
| EP3370191A1 (en) | Apparatus and method implementing an artificial neural network training algorithm using weight tying | |
| EP3889846A1 (en) | Deep learning model training method and system | |
| CN114162146B (zh) | 行驶策略模型训练方法以及自动驾驶的控制方法 | |
| CN115293052A (zh) | 电力系统有功潮流在线优化控制方法、存储介质和装置 | |
| Ren | Optimal control | |
| CN112930541A (zh) | 通过最小化妄想影响来确定控制策略 | |
| CN112577507A (zh) | 基于哈里斯鹰优化算法的电动汽车路径规划方法 | |
| KR20220154785A (ko) | 다중 태스크 강화 학습에서 메타-그래디언트를 사용한 액션 선택을 위한 학습 옵션 | |
| CN113985870A (zh) | 一种基于元强化学习的路径规划方法 | |
| CN113848889A (zh) | 一种基于鲸鱼优化算法和人工势场法结合的路径规划方法 | |
| CN113110101B (zh) | 一种生产线移动机器人聚集式回收入库仿真方法及系统 | |
| CN112595326A (zh) | 一种融合先验知识的改进Q-learning路径规划算法 | |
| CN114779792B (zh) | 基于模仿与强化学习的医药机器人自主避障方法及系统 | |
| Guan et al. | Research on path planning of mobile robot based on improved Deep Q Network | |
| CN113705115B (zh) | 地面无人车辆底盘运动与目标打击协同控制方法和系统 | |
| Wang et al. | Q-learning-based Collision-free Path Planning for Mobile Robot in Unknown Environment | |
| CN113221390B (zh) | 一种排产模型的训练方法和装置 | |
| CN113721655A (zh) | 一种控制周期自适应的强化学习无人机稳定飞行控制方法 | |
| Tran et al. | Mobile robot planner with low-cost cameras using deep reinforcement learning |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |