基于强化学习的改进RRT^*路径规划

摘要

针对RRT^*算法在路径规划中面临搜索效率不高、易于陷入局部最优等问题，提出一种结合强化学习的Q-RRT^*算法。该算法将Q-Learning算法和RRT^*算法相融合，首先引入转角偏向策略增强路径搜索时的导向作用、减少无效节点的生成，提升算法的搜索效率；其次通过动R搜索算法动态地调整搜索半径，进一步优化路径的质量和冗余节点的产生；最后对生成的路径使用三次B样条插值法和冗余节点删除法进一步优化路径质量。在二维和三维环境下的仿真实验结果表明，改进后的Q-RRT^*算法和RRT、RRT^*和RL-RRT算法相比，路径规划时长平均快39.7%,迭代次数平均减低27.9%,路径长度平均缩短16.3%。

关键词

RRT^* / 强化学习 / 转角偏向策略 / 动R搜索算法