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

本文介绍了一种称为强化学习（RL）算法的方法，该方法以其强大的学习能力和搜索稳定性而闻名，并在自动引导车（AGV）路径规划中得到广泛应用。然而，RL规划算法面临的挑战源于神经网络的巨大方差，这是由于环境不稳定性和系统结构的显着波动所导致的。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，本文提出了一种称为粒子滤波-双深度Q网络（PF-DDQN）的方法，该方法将粒子滤波器（PF）纳入多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，DDQN模型被优化以获得最佳的真实权值，从而增强算法的效率。数值模拟验证了所提出方法的有效性和优越性。总体而言，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％。总之，PF-DDQN方法解决了RL规划算法在AGV路径规划中遇到的挑战。通过集成粒子滤波器并优化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。

本论文旨在解决强化学习算法在AGV路径规划中遇到的问题，如神经网络的方差大、环境不稳定等导致的收敛速度慢和学习效率低的问题。

论文提出了一种将粒子滤波器（Particle Filter）应用于多AGV强化学习路径规划的方法，即PF-DDQN。该方法通过将神经网络的不精确权重值作为状态值来构建状态空间方程，并通过迭代融合神经网络和粒子滤波器来优化DDQN模型，从而获得最佳权重值，提高算法效率。

论文通过数值模拟验证了所提出方法的有效性和优越性，结果表明，PF-DDQN算法在路径规划优越性和训练时间指标方面分别比传统DDQN算法提高了92.62%和76.88%。

近期在该领域的相关研究包括： 1. 'Multi-robot path planning using deep reinforcement learning'； 2. 'A hybrid particle swarm optimization and deep reinforcement learning for robot path planning'； 3. 'Reinforcement learning-based path planning for mobile robot navigation in unknown environments'。