Key points are not available for this paper at this time.
Lors des missions de secours d'urgence, les équipes de sauvetage peuvent utiliser des UAV et des stratégies de planification de chemin efficaces pour fournir des services de sauvetage flexibles aux personnes piégées, ce qui peut améliorer l'efficacité des secours et réduire les risques pour le personnel. Cependant, comme l'environnement de mission des UAV est généralement complexe, incertain et limité en communication, les méthodes de planification de chemin traditionnelles peuvent ne pas répondre aux besoins pratiques. Dans cet article, nous introduisons un algorithme d'optimisation par les baleines dans un réseau Q profond et proposons un algorithme de planification de chemin basé sur un réseau Q profond inspiré des baleines, permettant aux UAV de rechercher des cibles plus rapidement et plus en toute sécurité dans des environnements incertains et complexes. En particulier, nous transformons d'abord le problème de planification de chemin des UAV en un processus décisionnel de Markov. Ensuite, nous concevons une fonction de récompense complète tenant compte des trois facteurs de la longueur du chemin, de l'évitement des obstacles et de la consommation d'énergie. Ensuite, nous utilisons le cadre principal du réseau Q profond pour approximer la fonction de valeur Q en formant un réseau de neurones profond. Au cours de la phase de formation, l'algorithme d'optimisation par les baleines est introduit pour l'exploration de chemin afin de générer une expérience de décision d'action plus riche. Enfin, des expériences montrent que l'algorithme proposé peut permettre à l'UAV de planifier de manière autonome un chemin réalisable sans collision dans un environnement incertain. Et comparé aux algorithmes classiques d'apprentissage par renforcement, l'algorithme proposé a une meilleure performance en termes d'efficacité d'apprentissage, de taux de succès de planification de chemin et de longueur de chemin.
Wang et al. (ven,) ont étudié cette question.