Transfer learning-based sparse-reward meta-Q-learning algorithm for active SLAM

Xin Liu

doi:10.1016/j.eswa.2025.129799

Transfer learning-based sparse-reward meta-Q-learning algorithm for active SLAM

2025-10-14

0

PRE

AI

DOI：10.1016/j.eswa.2025.129799

原文链接

原文求助

摘要

En 中文

路径规划是一个广泛研究的课题，特别是在复杂未知环境中，动态变化和传感器漂移引入了显著的不确定性。本文提出了一种基于迁移学习的优先经验回放元Q学习算法。为解决复杂未知环境中由动态变化和传感器漂移引起的稀疏奖励问题，提出了一种基于稀疏奖励元Q学习的路径规划算法。在自适应阶段，引入了学习到的优势函数和迁移学习，以提高算法的决策能力和泛化能力，确保在不稳定条件下的稳定性能。为解决强化学习经验回放缓冲区中的低样本效率问题，设计了采样权重，并采用偏差估计以在元学习中最大化新任务上的性能。这使策略逼近最优行动决策，并进一步缩短了训练时间。实验结果表明，与最先进的元强化学习算法相比，所提出的算法在抗不确定性方面表现出更强的鲁棒性。它有效避障，并在动态和噪声环境中成功完成定位与建图任务，验证了其在不确定条件下的可靠性。我们提供的代码链接为：https://github.com/XinLiu98/Transfer-Learning-based-sparse-reward-meta-Q-learning-Algorithm-for-Active-SLAM.git

Transfer learning-based sparse-reward meta-Q-learning algorithm for active SLAM

摘要

期刊

机构

引用论文