山东交通学院信息科学与电气工程学院(人工智能学院) 张洪博

随着计算机技术、人工智能理论、即时定位与地图构建（Simultaneous Localization And Mapping，SLAM）等技术的不断成熟与发展，机器人技术的研究已经发展到一个崭新的阶段。路径规划作为机器人运动不可或缺的一部分，近些年国内外专家对其研究的热情持续高涨，它已经成为移动机器人趋向人工智能化阶段的核心技术。路径规划的目的是让机器人在规定的区域内找到一条从起点到终点的无碰撞安全路径，并让这条路径尽可能的短。机器人在运动过程中，能够实时模拟出所在的环境。通过控制自身运动状态，探测障碍物并计算安全路径，最后成功到达任务地点。因此，一个性能良好的路径规划算法对移动机器人非常重要。移动机器人目前在许多领域都有着广泛地应用，比如家庭扫地、物流分拣等。尤其在一些环境比较恶劣的情况下，使用移动机器人可以有效地避免对人身安全的危害。

移动机器人路径规划始于20世纪60年代末期，早期的迪杰斯特拉算法，后续的A*算法、人工势场法、粒子群算法、RRT算法等都是经典之作。但传统的路径规划算法自身的收敛速度较慢、计算复杂度较高及适用性较差，所以将深度强化学习方法引入到路径规划中。DQN算法作为深度强化学习的一种，本文在其基础上，改进样本训练方法，提高路径规划的效率、准确性以及实时性。

1 算法介绍

1.1 DQN算法

DQN算法作为深度强化学习的代表之一，不仅在Atari游戏中被测试出有很好的效果，在路径规划中也表现优异。……