部分觀測馬爾可夫決策過程中的強化學習.pdf

1、在強化學習中，機器人對環(huán)境做出動作并從環(huán)境得到回報，相應于不同的動作，環(huán)境給予的回報值有所不同，通過對到達目標點所作一系列動作的回報值不斷強化，機器人能夠學到從內部狀態(tài)到動作的映射，即學到?jīng)Q策過程。強化學習由于是在機器人行動過程中進行學習，因而具有在線性，并且由于該學習方法不需要外界指導，因而又具有無導師性，由于這兩種特性使得強化學習廣泛應用于序列化的行為任務中，比如機器人路徑規(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值設定方法，即將各狀態(tài)的回報值進行綜合分類。通過該方法，機器人可以獲得更準確的回報值，從而使回報值對于動作的評價更準確，并將該算法應用于障礙物環(huán)境中，實驗結果表明，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，因為系統(tǒng)無法完全感知環(huán)境狀態(tài)信息，應用于馬爾可夫決策過程的強化學習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的基于短期記憶的學習方法