面向未知环境的移动机器人导航方法研究

发布时间：2024-01-21 14:10

　　近年来,机器人领域发展迅速,特别是移动机器人应用越来越广泛,其中移动机器人导航技术的发展也是突飞猛进,基于视觉传感器的导航算法更是层出不穷。特别是,深度强化学习在某种程度上模仿了人类通过不断取得进步激励自己学习的过程,在不断尝试中学习在各个状态下应该采取的行动。而这一特性与机器人的导航行为有很多接近的地方。本研究课题旨在利用这一思路,针对移动机器人在未知环境中的导航方法问题,研究基于深度强化学习的机器人导航方法。该方法可通过对深度相机采集的环境信息进行特征提取并作出决策,最终实现在未知的、复杂的工作环境中,移动机器人能够自主完成起始点到目标点的导航任务,并得出最优路径。在课题研究过程中搭建了机器人仿真模拟环境,进行了 DDPG算法训练、测评,并在测试环境中,与传统Slam导航方法进行了对比实验。实验证明,基于深度强化学习的导航算法避免了建立地图等繁琐工作,与此同时在导航精度和计算时间上均优于基于Slam的导航算法。更能满足在不同陌生环境下的导航要求,更符合未来导航算法的发展方向。

【文章页数】：70 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
1. 绪论
    1.1. 课题研究背景
    1.2. 课题研究实践意义
    1.3. 国内外研究现状
        1.3.1. 移动机器人的发展现状
        1.3.2. 移动机器人导航技术研究现状
    1.4. 研究内容及方法
    1.5. 论文结构
    1.6. 本章小结
2. 深度强化学习理论及算法分析
    2.1. 深度学习
        2.1.1. 深度学习的理论基础
        2.1.2. 深度学习的主要网络结构
    2.2. 强化学习
        2.2.1. 强化学习原理
        2.2.2. 马尔科夫决策过程
        2.2.3. Q learning概述
    2.3. 基于值函数的深度Q网络
        2.3.1. 模型结构
        2.3.2. 训练算法
    2.4. 基于策略梯度的深度强化学习
        2.4.1. 基于运动评价(Actor-Critic,AC)的深度策略梯度方法
        2.4.2. DDPG(Deep Deterministic Policy Gradient, DDPG)网络
    2.5. DQN与DDPG对比实验
        2.5.1. OpenAI gym测试平台介绍
        2.5.2. DQN及其改进算法与DDPG的对比实验结果
    2.6. 本章小结
3. 移动机器人系统设计及实验平台的搭建
    3.1. 移动机器人平台
        3.1.1. Turtlebot机器人
        3.1.2. Kinect深度相机
    3.2. 机器人通讯框架ROS
        3.2.1. ROS系统简介
    3.3. 基于ROS与Gazebo的机器人仿真
        3.3.1. Gazebo简介
        3.3.2 配置模拟环境
        3.3.3. 实验平台展示
    3.4. 本章小结
4. 基于DDPG算法的移动机器人导航控制
    4.1. DDPG网络结构设计
    4.2. 不同训练环境对比实验
        4.2.1. 训练环境
        4.2.2. 测试场景
        4.2.3. 不同训练环境下的对比实验
        4.2.4. 实验总结分析
    4.3. 本章小结
5. 基于地图的导航算法介绍及对比实验
    5.1. 基于地图的导航算法原理
        5.1.1. Slam背景介绍
        5.1.2. Slam关键技术概述
    5.2. 利用ros系统进行建图与导航实验
        5.2.1. 重要功能包配置
        5.2.2. 基于地图的导航实验
    5.3. 本章小结
6. 总结与展望
    6.1. 研究成果总结
    6.2. 未来研究工作展望
参考文献
个人简介
导师简介
致谢



本文编号：3882134