一种基于深度强化学习的端到端自主运动决策方法

本发明公开一种基于深度强化学习的端到端自主运动决策方法，该方法涉及多机器人运动、机器学习、集成决策等领域。首先采用改进Mamba‑YOLOv10实现对玻璃制品的精准识别；然后针对端到端自主运动的数据依赖问题，提出将经验回放机制HER和设计的奖励函数应用到深度Q网络中，实现HER‑DQN的集成式决策框架。与其他方法相比，本发明不仅能够在复杂光照条件和环境干扰下精准识别玻璃制品，还能提高生物化学实验室转运机器人在自主运动决策时的稳定性和鲁棒性，设计的端到端自主运动决策方法具有实时性和高效性，能够使生物化学实验室转运机器人安全自主的完成执行任务，可应用于农业、工业、服务业等领域都有有益成效。