基于强化学习的六足机器人动态避障研究

针对局部可观测的非线性动态地震环境下,六足机器人采用传统算法进行动态避障时易出现算法不稳定的情况.运用了基于双重深度Q网络(DDQN)的决策方式,通过传感器数据输入卷积神经网络(CNN)并结合强化学习的策略,下达命令到六足机器人,控制输出决策动作,实现机器人动态避障.将系统的环境反馈与决策控制直接形成闭环,通过最大化机...     

基于卷积神经网络的六足机器人环境自适应方法研究

六足机器人采用不同的步态参数针对不同的非结构环境可提高运行效率、增强平稳性。为实现该目标,预先完成三个步骤:第一,机载摄像头用来捕获环境信息;第二,基于环境样本库,使用卷积神经网络训练环境识别模型,因其在视觉问题上的泛化能力,卷积神经网络可以自动提取图像特征并降低建模工作量;第三,调整六足机器人的步态参数以获得某一给定环境下的最优步态。在此基础上,六足机器人根据环境识别结果选择相应的最佳步态,并实现环境自适应。最后进行对比实验,结果表明,应用环境自适应方法的六足机器人可以在复杂环境中耗能更低,并获得更高的速度和更优良的平稳性。