Une algorithme autonome de navigation intelligente pour véhicule guidé automatique (AGV) basée sur un gradient de politique déterministe profond amélioré (DDPG) est proposée. Premièrement, une stratégie d'exploration adaptative basée sur les risques environnementaux, incluant la prédiction des trajectoires d'obstacles dynamiques, est introduite ; deuxièmement, une fonction de récompense multi-objectifs pondérée est conçue pour guider l'AGV à atteindre sa destination rapidement tout en évitant les obstacles et les dépassements de limites ; troisièmement, l'extraction d'expérience basée sur un double facteur coefficient de risque et fraîcheur d'expérience permet de raccourcir les cycles d'entraînement et d'améliorer la qualité de l'entraînement ; enfin, une simulation des actions en temps réel réduit davantage les risques de collision et de sortie de piste. Pour valider la performance de l'algorithme, des expériences de simulation ont été menées sous différentes conditions de nombre, taille et vitesse des obstacles. Les résultats montrent que l'algorithme de navigation AGV basé sur le DDPG amélioré atteint un taux de succès moyen de 94,8 %, un taux moyen de dépassement du temps inférieur à 3 % et un taux moyen de collision inférieur à 2,3 % ; les cycles d'entraînement et le temps de navigation sont également inférieurs à ceux des algorithmes comparés, démontrant un avantage significatif.

apprentissage par renforcement profond;DDPG;AGV;navigation intelligente