基于RBFNN的强化学习在机器人导航中的应用  

Application of Reinforcement Learning Based on Radial Basis Function Neural Networks in Robot Navigation

作　　者：吴洪岩[1] 刘淑华[1] 张嵛[1] 

机构地区：[1]东北师范大学计算机学院,长春130117

出　　处：《吉林大学学报（信息科学版）》2009年第2期185-190,共6页Journal of Jilin University（Information Science Edition）

基　　金：国家自然科学基金资助项目(60573067)

摘　　要：在复杂连续环境下,强化学习系统的状态空间面临维数灾难问题,需要采取量化的方法,降低输入空间的复杂度。径向基神经网络(RBFNN:Radial Basis Function Neural Networks)具有较强的函数逼近能力及泛化能力,由此提出了基于径向基神经网络的Q学习方法,并将其应用于单机器人的自主导航。在基于径向基神经网络的强化学习系统中,用径向基神经网络逼近状态空间和Q函数,使学习系统具有良好的泛化能力。仿真结果表明,该导航方法具有较强的避碰能力,提高了机器人对环境的适应能力。In a complex and continuous environment, Reinforcement Learning system will cause the dimensional disaster and generalization is often adopted to reduce the complexity of input space. Radial Basis Function Neural Networks （ RBFNN ： Radial Basis Function Neural Networks） has the function of strong approximation and generalization. Reinforcement Learning based on RBFNN is proposed, and it is used in the single-robot navigation. In the learning system, the state space and Q function are approximated by RBFNN. Simulation results show that the proposed method improves the ability of robot＇s collision avoidance so that the robot has better environment adaptability.

关 键 词：Q学习 RBF神经网络 机器人自主导航 

分 类 号：TP242[自动化与计算机技术—检测技术与自动化装置]