蛇机器人的节能路径规划使用深度强化学习增强的A*算法
Yang Gu1,2, Zelin Wang1,2, Zhong Huang1,2
1School of Information and Communication Engineering, Hainan University, Haikou 570228, China.
Biomimetics (Basel, Switzerland)
|December 24, 2025
概括
本研究介绍了一种节能路径规划方法,用于使用改进的A*算法和深度强化学习的蛇形机器人. 这种方法在复杂的3D环境中显著降低了能源消耗.
科学领域:
- 机器人技术 机器人技术 机器人技术
- 人工智能的人工智能
- 路径规划 路径规划
背景情况:
- 像蛇一样的机器人在具有挑战性的地形上提供了卓越的机动性,因为它们的灵活性.
- 当前的路径规划方法往往优先考虑最短的路径而不是能源效率.
- 高效的导航对于蛇机器人在狭窄或崎的环境中的操作至关重要.
研究的目的:
- 为蛇形机器人开发一种节能路径规划方法.
- 为了提高蛇机器人的安全性,能源效率和任务性能.
- 解决现有的路径规划算法的局限性,这些算法忽视了能源优化.
主要方法:
- 开发了一种用于3D运动的能源消耗估计模型 (ECEM).
- 将ECEM集成到一个启发式函数中,用于改进的A*算法.
- 通过深度增强学习 (决斗双深Q网络 - D3QN) 增强了A*算法.
主要成果:
- 拟议的D3QN增强的A*算法显著降低了能源消耗.
- 与传统的A*和双向A*算法相比,实现了3.39%至27.26%的低能耗.
- 在复杂的3D环境中证明有效的路径规划.
结论:
- 深度强化学习和自适应启发学的整合改善了蛇机器人路径规划.
- 拟议的方法提高了蛇机器人的能源效率和实用性.
- 这种方法为复杂地形的能源意识导航提供了可行的解决方案.
