4、基于深度强化学习的无人机路径规划

基于深度强化学习的无人机路径规划

在无人机的应用中，路径规划至关重要。它不仅要使无人机避开障碍物，还要综合考虑整体路径状况，形成良好的轨迹，这就要求路径长度更短、花费时间更少。近年来，研发人员不断研究使用不同的算法和方法来处理路径规划中的问题，以实现无人机路径规划的最佳效果。对未知环境下有效的避障和路径规划技术的研究，对于无人机的自主飞行至关重要。

研究现状

经典路径规划算法

路径规划是无人机实现自主飞行任务的重要基础，其目的是获取从起点到目标位置的全局路径，减少与障碍物的碰撞，并使路径尽可能短。目前，经典的路径规划算法主要分为三类：人工势场法、启发式搜索法和基于采样的算法。

• 人工势场法 ：由Khatib在1985年提出。通过定义势场函数，为空间中的每个点人为分配一个势场，使势场中的障碍物对移动机器人产生排斥力，目标点对移动机器人产生吸引力，从而使机器人向目标点移动，并有效避免碰撞。然而，该算法容易陷入局部极值，当机器人受到的吸引力和排斥力相互抵消时，机器人会停止移动。此外，人工势场法没有引入运动学和动力学约束，规划的轨迹可能不符合实际情况。Mabrouk提出了一种新的扩展人工势场法，使用动态内部代理状态，解决了传统人工势场法无法完成的具有多个局部极小值的复杂迷宫问题。
• 启发式搜索法 ：是一类具有代表性的路径规划算法。该方法基于采样策略对配置空间进行离散化，将路径搜索问题转化为图搜索问题。Dijkstra算法可以快速规划最短路径，其主要思想是找到当前距离最短的未访问节点，标记为已访问，并更新其与相邻节点的距离，直到所有节点都被访问。A