دانلود مقاله انگلیسی رایگان:هدایت پهپاد در محیط های پویا بالا: یک رویکرد یادگیری تقویتی عمیق - 2020
بلافاصله پس از پرداخت دانلود کنید
دانلود مقاله انگلیسی یادگیری تقویتی رایگان
  • UAV navigation in high dynamic environments: A deep reinforcement learning approach UAV navigation in high dynamic environments: A deep reinforcement learning approach
    UAV navigation in high dynamic environments: A deep reinforcement learning approach

    سال انتشار:

    2020


    عنوان انگلیسی مقاله:

    UAV navigation in high dynamic environments: A deep reinforcement learning approach


    ترجمه فارسی عنوان مقاله:

    هدایت پهپاد در محیط های پویا بالا: یک رویکرد یادگیری تقویتی عمیق


    منبع:

    Sciencedirect - Elsevier - Chinese Journal of Aeronautics, Uncorrected proof. doi:10.1016/j.cja.2020.05.011


    نویسنده:

    Tong GUOa,b, Nan JIANG a, Biyue LI a,b, Xi ZHUc, Ya WANGd,e,*, 6 Wenbo DUa,


    چکیده انگلیسی:

    Unmanned Aerial Vehicle (UAV) navigation is aimed at guiding a UAV to the desired destinations along a collision-free and efficient path without human interventions, and it plays a crucial role in autonomous missions in harsh environments. The recently emerging Deep Reinforcement Learning (DRL) methods have shown promise for addressing the UAV navigation problem, but most of these methods cannot converge due to the massive amounts of interactive data when a UAV is navigating in high dynamic environments, where there are numerous obstacles moving fast. In this work, we propose an improved DRL-based method to tackle these fundamental limitations. To be specific, we develop a distributed DRL framework to decompose the UAV navigation task into two simpler sub-tasks, each of which is solved through the designed Long Short-Term Memory (LSTM) based DRL network by using only part of the interactive data. Furthermore, a clipped DRL loss function is proposed to closely stack the two sub-solutions into one integral for the UAV navigation problem. Extensive simulation results are provided to corroborate the superiority of the proposed method in terms of the convergence and effectiveness compared with those of the state-of-the-art DRL methods.
    KEYWORDS : Autonomous vehicles | Deep learning | Motion planning | Navigation | Reinforcement learning | Unmanned Aerial Vehicle (UAV)


    سطح: متوسط
    تعداد صفحات فایل pdf انگلیسی: 11
    حجم فایل: 1500 کیلوبایت

    قیمت: رایگان


    توضیحات اضافی:




اگر این مقاله را پسندیدید آن را در شبکه های اجتماعی به اشتراک بگذارید (برای به اشتراک گذاری بر روی ایکن های زیر کلیک کنید)

تعداد نظرات : 0

الزامی
الزامی
الزامی
rss مقالات ترجمه شده rss مقالات انگلیسی rss کتاب های انگلیسی rss مقالات آموزشی
logo-samandehi