基于改进Q-learning算法智能仓储AGV路径规划

作为智能物流系统中重要运输工具的自动引导车(Automated Guided Vehicle,AGV)，AGV路径规划与避障算法是移动机器人领域重要研究热点之一。为了解决现有仓储环境下的AGV在运用Q-learning算法进行路径规划时的前期收敛速度慢且探索利用不平衡的问题，提出一种结合引力势场改进Q-learning的算法，同时对贪婪系数进行动态调整。首先，针对传统的Q-learning算法规划时学习效率低问题，构建从AGV到目标点的引力场，引导AGV始终朝着目标点方向移动，减少算法初期盲目性，加强初始阶段的目标性。然后，解决算法探索利用平衡问题，对贪婪系数进行动态改进。仿真实验表明，探索速率提升的同时，算法稳定性也有一定的提升。