基于循环深度确定性策略梯度算法的机器人控制方法及系统

本发明涉及一种基于循环深度确定性策略梯度(RDDPG)算法的机器人控制方法及系统，旨在提升机器人在复杂动态环境下的决策和控制能力。该方法包括以下步骤：首先，将机器人控制系统建模为部分可观测马尔可夫决策过程，定义环境状态、动作空间、状态转移概率、奖励函数和观测函数；其次，采用循环神经网络构建循环编码器，将机器人的运动时序数据及环境观测时序数据作为输入，输出用于辨识环境差异的元参数；接着，设计评估价值网络、评估策略网络、目标价值网络和目标策略网络，生成控制动作并评估其价值；最后，通过回放记忆存储机器人与环境交互的经验数据，利用时序差分学习更新网络参数，并采用移动平均法更新目标网络参数。本发明通过引入循环编码器，充分利用环境信息的时序特征，增强了机器人在复杂动态环境中的适应性、学习能力和决策准确性，可广泛应用于工业自动化、智能物流、服务机器人等领域。