Multi-AGV Path Planning Method via Reinforcement Learning and Particle Filters

本文介绍了强化学习（RL）算法在自动引导车（AGV）路径规划中的应用。尽管RL规划算法因神经网络的巨大变异性和系统结构的显著波动而面临挑战，但由于其强大的学习能力和搜索稳定性，已经引起了广泛的关注和应用。这些挑战表现为收敛速度慢和学习效率低。为了解决这个问题，本文提出了一种粒子滤波器-双重深度Q网络（PF-DDQN）方法，将粒子滤波器（PF）融入多AGV强化学习路径规划中。PF-DDQN方法利用网络的不精确权重值作为状态值来构建状态空间方程。通过神经网络和粒子滤波器的迭代融合过程，优化DDQN模型以获取最优真实权重值，从而提高算法的效率。数值模拟结果验证了所提出方法的有效性和优越性。总的来说，模拟结果表明，所提出的算法在路径规划优越性和训练时间指标方面比传统的DDQN算法分别提高了92.62%和76.88%。综上所述，PF-DDQN方法解决了RL规划算法在AGV路径规划中遇到的挑战。通过将粒子滤波器融入和优化DDQN模型，所提出的方法实现了增强的效率，并在路径规划优越性和训练时间指标方面优于传统的DDQN算法。

本文旨在解决强化学习算法在自动引导车道路规划中遇到的问题，如神经网络的方差大、环境不稳定性和系统结构波动等，导致学习效率低下的问题。

文章提出了一种新的方法，即将粒子滤波器（PF）引入到多AGV强化学习路径规划中，通过迭代融合神经网络和粒子滤波器，优化DDQN模型以获得最优的真实权重值，从而提高算法的效率。

文章通过数值模拟验证了所提出方法的有效性和优越性，并表明该方法在路径规划优越性和训练时间指标方面均优于传统的DDQN算法。文章的实验设计详细，使用了多个数据集，并提供了开源代码。文章的方法可以为自动引导车道路规划领域的研究提供新思路。

最近的相关研究包括：《基于深度强化学习的AGV路径规划研究》、《基于强化学习的AGV路径规划算法研究》等。