Es wurde ein autonomer intelligenter Navigationsalgorithmus für automatisch geführte Fahrzeuge (AGV) basierend auf dem verbesserten Deep Deterministic Policy Gradient (DDPG) vorgeschlagen. Erstens wurde eine adaptive Erkundungsstrategie basierend auf Umweltgefahren vorgeschlagen, die die Vorhersage der Trajektorien dynamischer Hindernisse einschließt; zweitens wurde eine mehrfach gewichtete Belohnungsfunktion entworfen, die das AGV anleitet, das Ziel so schnell wie möglich zu erreichen, während Hindernisse vermieden und die Grenzen nicht überschritten werden; drittens verkürzt das extrahieren von Erfahrungen basierend auf den Risikofaktor- und Erfahrungsfrische-Dualfaktoren die Trainingsdauer und verbessert die Trainingsqualität; schließlich verringert die Aktionsvorschau zur Laufzeit zusätzlich das Risiko von Kollisionen und Grenzverletzungen. Zur Validierung der Leistungsfähigkeit des Algorithmus wurden Simulationsexperimente unter verschiedenen Bedingungen bezüglich Anzahl, Größe und Bewegungsgeschwindigkeit der Hindernisse durchgeführt. Die Ergebnisse zeigen, dass der AGV-Navigationsalgorithmus basierend auf verbessertem DDPG eine durchschnittliche Erfolgsrate von 94,8%, eine durchschnittliche Überschreitungsrate von unter 3% und eine durchschnittliche Kollisionsrate von unter 2,3% erreicht; die Trainingsdauer und die Navigationszeit sind ebenfalls kürzer als bei Vergleichsalgorithmen, was klare Vorteile zeigt.

tiefes verstärkendes Lernen;DDPG;AGV;intelligente Navigation