强化学习算法用于无人驾驶飞行器自主执行任务:与DQN,SARSA和A2C进行比较的观点
Gonzalo Aguilar Jiménez1, Arturo de la Escalera Hueso2, Maria J Gómez-Silva3
1Dana SAC Spain, S.A., Dana Off-Highway, C/Abedul S/N, Pol. Ind. Los Huertecillos, 28350 Ciempozuelos, Madrid, Spain.
Sensors (Basel, Switzerland)
|November 14, 2023
概括
本研究比较了用于无人机导航的强化学习 (RL) 算法. 深度Q网络 (DQN) 成功导航,而SARSA和A2C需要进一步调整以获得最佳性能.
科学领域:
- 机器人和控制系统 机器人和控制系统
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 无人驾驶飞行器 (UAV) 越来越多地用于各种应用.
- 人工智能 (AI),特别是强化学习 (RL),为无人机提供了先进的控制方法.
- 有效的无人机导航需要平衡速度,距离和避开障碍物.
研究的目的:
- 为了比较三个RL算法的性能:深度Q网络 (DQN),SARSA和优势演员-关键 (A2C).
- 为了评估这些算法用于UAV导航从点A到点B在邻里环境.
- 评估算法能够尽量减少时间和距离,同时避免障碍物的能力.
主要方法:
- 实施和比较DQN,SARSA和A2C算法.
- 在一个代表性的社区环境中模拟无人机导航.
- 基于成功导航,时间和距离指标的性能评估.
主要成果:
- DQN成功实现了导航目标.
- 根据最初的固定场所,SARSA和A2C没有实现目标.
- 分析表明,A2C有可能通过微调优于DQN,显示更快的趋同.
结论:
- 在测试环境中,DQN在无人机导航方面表现出强大的性能.
- 为了实现可比性能,SARSA和A2C需要进一步优化.
- 由于其更简单的结构和更快的学习与调整的潜力,A2C提供了一个有前途的替代方案.
关键词:
A2C A2C A2C A2C A2C A2C A2C A2C A2C A2C A2CDQN DQN 在线观看萨尔萨 SARSASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASASA无人机无人机无人机是什么?无人机 无人机 无人机四旋翼机四旋翼机四旋翼机四旋翼机强化学习是一种强化学习.
