部分觀測馬爾可夫決策過程中的強(qiáng)化學(xué)習(xí).pdf

1、在強(qiáng)化學(xué)習(xí)中，機(jī)器人對環(huán)境做出動(dòng)作并從環(huán)境得到回報(bào)，相應(yīng)于不同的動(dòng)作，環(huán)境給予的回報(bào)值有所不同，通過對到達(dá)目標(biāo)點(diǎn)所作一系列動(dòng)作的回報(bào)值不斷強(qiáng)化，機(jī)器人能夠?qū)W到從內(nèi)部狀態(tài)到動(dòng)作的映射，即學(xué)到?jīng)Q策過程。強(qiáng)化學(xué)習(xí)由于是在機(jī)器人行動(dòng)過程中進(jìn)行學(xué)習(xí)，因而具有在線性，并且由于該學(xué)習(xí)方法不需要外界指導(dǎo)，因而又具有無導(dǎo)師性，由于這兩種特性使得強(qiáng)化學(xué)習(xí)廣泛應(yīng)用于序列化的行為任務(wù)中，比如機(jī)器人路徑規(guī)劃等。
　　對于解決馬爾可夫決策過程(MDP)中的Q

2、算法，本文給出了一種新的回報(bào)值設(shè)定方法，即將各狀態(tài)的回報(bào)值進(jìn)行綜合分類。通過該方法，機(jī)器人可以獲得更準(zhǔn)確的回報(bào)值，從而使回報(bào)值對于動(dòng)作的評價(jià)更準(zhǔn)確，并將該算法應(yīng)用于障礙物環(huán)境中，實(shí)驗(yàn)結(jié)果表明，該算法可以獲得更好的效果。
　　在部分觀測馬爾可夫決策過程(POMDP)中，因?yàn)橄到y(tǒng)無法完全感知環(huán)境狀態(tài)信息，應(yīng)用于馬爾可夫決策過程的強(qiáng)化學(xué)習(xí)算法就不能得到精確解，比如POMDP問題中的感知混淆問題。本文給出了一種改進(jìn)的基于短期記憶的學(xué)習(xí)方法