论文部分内容阅读
智能车辆技术的发展不但提高车辆自身的安全性能,还能够有效的避免交通事故的发生,保护人们的生命财产安全。而智能车的路径规划技术一直都是智能车辆技术发展的核心内容,更是社会发展的需求。强化学习是Agent与环境不断进行交互的一种在线学习方式。Q学习是一种重要的强化学习算法,非常适用于智能车在未知环境下进行路径规划,但在面对复杂的环境变化时,该算法学习效率低下,收敛速度慢。蚁群算法是一种群智能优化算法,该算法能够较快的找到局部的最优解,有很强的鲁棒性和适应性,但是寻优过程中收敛速度比较慢,容易陷入局部的最优解,出现停滞现象。针对智能车路径规划问题,本文首先对传统蚁群算法进行改进,制定信息素局部更新规则,用动态函数0Q（t）取代传统蚁群算法的常数量0Q,使得蚂蚁在寻优过程中对当前较优路径的搜索更具有导向性,促使蚂蚁去探寻未走过的路径,避免算法陷入局部最优解。其次,本文提出基于改进蚁群与Q学习结合算法。将蚁群算法中的信息素??ij加入到Q学习中,智能车在进行路径规划的行为决策时,要综合考虑信息素量??ij和Q学习中的Q值。加快了学习效率。运用MATLAB建立了智能车进行路径规划的环境模型和可视化仿真界面,分别在不同的静态环境下进行仿真分析对比,验证了改进蚁群算法与Q学习结合在进行静态路径规划时的有效性。最后,本文提出了基于模糊控制的改进蚁群算法与Q学习结合的动态路径规划方法。建立模糊推理系统实时控制信息素局部更新挥发因子?,减少较优路径和智能车所处状态周围障碍物较少的路径上的信息素挥发量,并通过监测一定范围内的可到达节点的数量的变化来判断动态障碍物的出现及位置,重新规划一条绕过障碍物到达目标点的路径。在仿真环境下对比分析改进蚁群算法与Q学习结合和基于模糊控制的改进蚁群与Q学习结合算法在静态路径规划中的性能,最后验证了该算法在不同情形下进行动态路径规划中的可行性。