一种基于深度强化学习的机器人路径规划方法

本发明公开一种基于深度强化学习的机器人路径规划方法，涉及智慧农业，路径规划，机器人等领域。首先进行农场环境感知与定义机器人状态空间与动作空间，并设置多模态加权组合奖励机制与经验回放缓冲区。在传统DDPG算法中的Critic网络损失函数中引入可学习的权重系数，并在Actor网络的目标函数中加入熵正则化项，再通过自适应衰减贪心策略选择微分博弈生成控制策略或DDPG算法生成动作，最后执行动作或控制策略，更新网络参数与目标网络参数，并动态更新经验回放缓冲区。与其他路径规划方法相比，本方提高了路径规划对动态环境的适应性，在复杂的农业环境下，也具备良好的效率及安全性。