サブステーションロボットの経路計画アルゴリズムは,アリコロニーの最適化によって強化された深層補強学習に基づいています

科学分野:

• ロボット工学 ロボット工学 ロボット工学
• 人工知能 (AI) とは,人工知能 (AI) のことです.
• オプティマイゼーション アルゴリズム

背景:

• サブステーションロボットは,複雑な電磁場,密度の高い設備,安全性の要求により,高度な経路計画が必要です.
• 既存の方法は,検査と保守のためのサブステーション環境のユニークな課題と闘っています.

研究 の 目的:

• 改造された経路計画アルゴリズムを開発して,改造ステーションのロボットを設計する.
• サブステーションの検査とメンテナンス作業の運用効率と安全性を高めるため.

主な方法:

• 深層強化学習 (DRL) とアリコロニーの最適化 (ACO) を組み合わせたシナジスティックフレームワークです.
• 非効率的なパスファインディングを減らすためにフェロモン誘導探索戦略.
• Qネットワークのトレーニングを促進するために,ACO経路の経験を用いたサンプルスクリーニングメカニズム.
• ヒューリスティックから自律的な学習への段階的な移行のために,意思決定の重さのダイナミックな調整.

主要な成果:

• ベースラインのDRLアルゴリズムと比較して,サンプル効率が24%向上した.
• 平均経路長が18%短縮され,優れたダイナミックな障害物回避能力を実証しました.
• フィールド検証では,実際のサブステーションでのタスク完了率の14.8%の改善が示されました.

結論:

• 提案されたDRL-ACOアルゴリズムは,サブステーション経路計画における最先端の方法を大幅に上回ります.
• ハイブリッドアプローチは,サンプル効率,経路最適化,障害物回避能力を高めます.
• 実用的な効率性を実証し,実際のサブステーション環境でタスクの完了を改善しました.