一种基于深度强化学习的自主移机器人路径规划方法

本发明属于机器人路径规划技术领域，公开了一种基于深度强化学习的自主移机器人路径规划方法，本发明针对在复杂动态环境中agent难以充分感知环境的问题，拓展和调整了SAC的State space，以增强对未知环境的全面感知和更加灵活地全方位避障；设计了一种启发式奖励函数，实现奖励值的动态调整，从而优化了机器人的学习过程。针对复杂环境下，算法计算复杂度上升，收敛速度减慢的问题，结合优先经验回放(PER)技术和SumTree数据结构来优化样本利用率。PER技术增加高价值样本的权重，使得智能体在训练过程中能够更快地学习有效策略；引入SumTree数据结构进一步提高了PER的效率。