基于深度强化学习和大邻域搜索的矿山巡检机器人路径规划算法

当前大多数矿山巡检机器人采用激光雷达作为矿山环境探测方法,该方法对于一些小目标物体和反照率小的物体检测不明显,容易造成误检或漏检,从而引发矿山安全事故。为了提高矿山巡检机器人的识别精度,将基于强化学习结合大邻域搜索的路径规划方法引入矿山巡检机器人路径规划工作中,提高矿山巡检机器人对场景的感知能力。首先,提出了基于LSTM的时序性路径规划模型,能够从机器人的RGB相机中提取图像特征,通过深度学习方式进行场景感知。其次,将激光雷达设备采集的信息进行处理,使用大邻域搜索算法找到空间中的多个最优路径,用于后续场景导航。最终通过深度强化学习和大邻域搜索方法实现矿山巡检机器人精准导航,选择最佳的机器人巡检路径。为了验证所提算法性能,在二维和三维空间中进行了场景搭建、导航模拟、模型训练和测试。结果表明:该方法在仿真环境和真实场景中具有较好的路径规划能力。