一种用于路径规划的基于深度强化学习的高效渐进策略增强框架

本发明公开了一种基于深度强化学习(DRL)，同时用于路径规划场景的高效渐进策略增强(EPPE)框架，该框架辅助DRL算法，用于解决DRL在路径规划中面临的训练效率和组合优化的双重挑战。该框架结合了稀疏奖励和过程奖励的优点，稀疏奖励帮助智能体实现全局最优策略，而过程奖励提供实时反馈，便于智能体及时调整策略。不仅显著提高策略学习的效率，还有效解决了过程奖励引起的奖励耦合问题，从而实现策略的全局最优。本发明可应用于机器人路径规划的研究领域，在自动驾驶和物流配送等应用领域中发挥重要作用。