公开(公告)号：CN118131628A

公开(公告)日：2024-06-04

申请号：CN202410278022.8

申请日：2024-03-12

Applicant: 南通大学

Inventor： 孙兴建 ,  谢辉 ,  刘荣荣 ,  谢翔 ,  余文旺 ,  赵文轩 ,  马潇雨 ,  秦秋月 ,  张新松 ,  顾菊平

IPC: G05B13/04

Abstract: 本发明提供了一一种基于多目标点信息融合的移动机器人跟踪控制方法，属于智能车自动驾驶技术领域。解决了传统轨迹跟踪方法建模精度低的技术问题。其技术方案为：包括以下步骤：S1、基于移动机器人的运动学模型对强化学习的动作空间进行建模，对移动机器人转向空间的精确建模；S2、设计了融合多目标点信息的奖励函数；S3、在Q‑learning框架下，利用在线强化学习方法对Bellman最优方程进行求解；S4、设计了移动机器人最优轨迹跟踪控制策略，在仿真环境进行算法仿真和数据对比，验证所提出算法的优越性及其可行性。本发明的有益效果为：提高了强化学习算法的计算效率,提升了移动机器人轨迹跟踪控制的精度。

公开(公告)号：CN118131628B

公开(公告)日：2024-12-03

申请号：CN202410278022.8

申请日：2024-03-12

Applicant: 南通大学

Inventor： 孙兴建 ,  谢辉 ,  刘荣荣 ,  谢翔 ,  余文旺 ,  赵文轩 ,  马潇雨 ,  秦秋月 ,  张新松 ,  顾菊平

IPC: G05B13/04

Abstract: 本发明提供了一一种基于多目标点信息融合的移动机器人跟踪控制方法，属于智能车自动驾驶技术领域。解决了传统轨迹跟踪方法建模精度低的技术问题。其技术方案为：包括以下步骤：S1、基于移动机器人的运动学模型对强化学习的动作空间进行建模，对移动机器人转向空间的精确建模；S2、设计了融合多目标点信息的奖励函数；S3、在Q‑learning框架下，利用在线强化学习方法对Bellman最优方程进行求解；S4、设计了移动机器人最优轨迹跟踪控制策略，在仿真环境进行算法仿真和数据对比，验证所提出算法的优越性及其可行性。本发明的有益效果为：提高了强化学习算法的计算效率,提升了移动机器人轨迹跟踪控制的精度。