未知の複雑な環境における包括的なカバレッジパスプランニングのためのエネルギー認識型Q学習フレームワーク

科学分野:

• ロボット工学とインテリジェントシステム
• 人工知能
• 探索および救助操作

背景:

• 従来のカバレッジパスプランニング（CPP）アルゴリズムは、動的で予測不可能な災害後の環境において限界に直面しています。
• ロボットのパスプランニングは、不確実な地形での効率的な探索および救助操作に対応できる適応性を必要とします。

研究 の 目的:

• インテリジェントパスプランニングアルゴリズムであるPERM-QN（優先経験再生とメモリネットワークを備えたQ学習）を導入すること。
• 複雑で障害物の多い災害後の環境において、ロボットのエネルギー認識型、完全エリアカバレッジを可能にすること。

主な方法:

• PERM-QNは、カバレッジ、パス長、およびエネルギー消費の適応的バランスのための動的重み報酬関数を統合しています。
• 優先経験再生メカニズムは、高価値の過去の経験を優先することにより、学習収束を加速します。
• メモリネットワークは、同様の地形領域でのルートプランニングを迅速化し、冗長な探索を削減します。

主要な成果:

• PERM-QNは、シミュレートされた災害後の環境において、従来のアルゴリズムと比較して、より効率的で包括的なエリア探索を実証しました。
• このアルゴリズムは、さまざまな環境の複雑さにおいて堅牢なパフォーマンスを維持しました。
• PERM-QNは、不確実な地形で効果的なエネルギー認識型カバレッジを達成しました。

結論:

• PERM-QNは、複雑で動的な災害後のシナリオにおけるロボットのパスプランニングに効果的なソリューションを提供します。
• このインテリジェントアルゴリズムは、探索および救助ミッションにおけるロボットの能力を向上させます。
• このアプローチは、エネルギー消費を管理しながら、探索の効率と完全性を向上させます。