Planification de chemin de couverture coopérative pour des robots mobiles multiples basée sur un algorithme de K-Means amélioré et l'apprentissage par renforcement profond

Avec l'augmentation de la complexité des tâches de patrouille, l'utilisation de l'apprentissage par renforcement profond pour la planification de chemin de couverture collaborative (CPP) de robots mobiles multiples est devenue un nouveau point focal. Prenant en compte la complexité des facteurs environnementaux et les contraintes opérationnelles, telles que les obstacles du terrain et l'étendue de la zone de tâche, afin de mieux réaliser la tâche de CPP, cet article propose un algorithme de clustering K-Means amélioré pour diviser la zone de tâche des robots multiples. L'algorithme de clustering K-Means amélioré améliore la sélection du premier point de clustering initial, ce qui rend le processus de clustering plus raisonnable et aide à distribuer les tâches de manière plus uniforme. Simultanément, il introduit l'apprentissage par renforcement profond avec une structure de réseau en duel pour mieux traiter les obstacles du terrain et améliore la fonction de récompense pour guider le processus de couverture. Les expériences de simulation ont confirmé les avantages de cette méthode en termes d'attribution équilibrée des tâches, d'amélioration de la qualité des stratégies et d'amélioration de l'efficacité de la couverture. Cela peut réduire la duplication et l'omission des chemins tout en garantissant la qualité de la couverture.