Research on Robot Path Planning Based on Reinforcement Learning

这个项目基于视觉SLAM进行了机器人路径规划的研究。该项目的主要工作如下：（1）构建视觉SLAM系统。对视觉SLAM的基本架构进行了研究，基于ORB-SLAM3系统开发了一个可以进行密集点云地图绘制的视觉SLAM系统。（2）通过地图转换获得适合二维路径规划的地图。该部分将视觉SLAM系统获取的密集点云地图转换成八叉树地图，然后进行投影变换到网格地图上。地图转换将包含大量冗余地图信息的密集点云地图转换成非常轻量级的适合路径规划的网格地图。（3）基于强化学习的路径规划算法研究。该项目对Q-learning算法、DQN算法和SARSA算法进行了实验比较，并发现DQN是在高维复杂环境中收敛速度最快、性能最好的算法。该项目在仿真环境中对视觉SLAM系统进行了实验验证。基于开源数据集和自制数据集获得的实验结果证明了设计的视觉SLAM系统的可行性和有效性。同时，该项目还在相同实验条件下对三种强化学习算法进行了比较实验，以获得实验条件下的最佳算法。

该论文旨在研究基于视觉SLAM的机器人路径规划问题，通过构建视觉SLAM系统和基于强化学习的路径规划算法，解决在高维复杂环境下路径规划的问题。

论文的关键思路是将基于ORB-SLAM3系统的稠密点云地图转换为适合二维路径规划的栅格地图，并采用基于强化学习的路径规划算法，通过比较Q-learning、DQN和SARSA三种算法的性能，选择最优算法进行路径规划。

该论文的亮点包括：1. 构建了视觉SLAM系统，能够进行稠密点云地图建图；2. 将稠密点云地图转换为适合路径规划的栅格地图；3. 采用基于强化学习的路径规划算法，通过比较三种算法的性能，选择最优算法；4. 实验结果表明，该系统在开源数据集和自制数据集上均表现出良好的效果，具有可行性和有效性。

在该领域中的相关研究包括：1. 基于激光雷达的机器人路径规划；2. 基于SLAM的机器人路径规划；3. 基于深度学习的机器人路径规划。