2025年KBS SCI1区TOP，新颖奖励与ε-贪婪衰减Q-learning算法+局部移动机器人路径规划，深度解析+性能实测

---

1.摘要

路径规划是移动机器人的核心任务，需要在高效导航的同时规避障碍。本文提出了一种改进Q-learning算法——定制化奖励与ε-贪婪衰减Q-learning（TRE-QL），该方法通过对重复访问状态进行惩罚，引导智能体探索新路径；并设计了基于累计奖励动态调整的ε-贪婪衰减策略，实现了从探索到利用的平滑过渡，保证学习过程的稳定性。

2.新颖奖励与ε-贪婪衰减Q-learning算法

Q-learning用于移动机器人路径规划，通过试错学习在未知环境中更新Q表，逐步形成最优策略，该方法能引导机器人以最短无障碍路径到达目标，并在迭代中收敛，实现高效导航与避障。

环境建模

在Q-learning路径规划中，环境常通过网格离散化建模，将空间划分为空闲单元与障碍单元，机器人在网格中选择动作并判断位置是否合法，从而实现路径搜索。
$$L(s_t,a_t)=l_t,l_t\in \{\begin{array}{llc}E,& l_t=e& \\ O,& l_t=o& \end{array}$$

环境网格化离散化为Q-learning路径规划提供状态–动作框架，简化Q表更新并显著压缩状态空间，从而降低计算复杂度并加快收敛。该方法在室内或结构化环境中尤为适用，能高效支持实时路径规划。网格大小决定精度与效率的平衡：小网格提高路径精度但计算代价大，大网格则降低负荷但精度不足。

动作空间

在网格化环境中，机器人动作空间采用4邻域运动，每次移动一个单元格，该有限离散动作集简化了Q-learning，实现高效路径搜索与Q表更新。

TRE-QL算法通过优化奖励函数与引入动态ε-贪婪衰减机制，有效缓解了传统Q-learning在探索—开发平衡中的局限性。实验表明，当障碍密度超过10%时，固定 ε 值往往导致收敛失败或陷入次优路径。TRE-QL 根据累计奖励自适应调整探索率，实现从探索到利用的平滑过渡，避免过早收敛并稳定智能体行为，从而在复杂环境中提升学习效率和收敛性能，显著增强了Q-learning在受限环境下的鲁棒性。

奖励函数

在强化学习中，奖励函数是智能体学习的核心反馈机制，直接决定其策略能否收敛至最优。传统Q-learning常通过奖励目标、惩罚碰撞的方式定义奖励函数：
$$r=\{\begin{array}{llc}-r_1& \mathrm{collision}& \\ r_2& \mathrm{get}\mathrm{target}& \\ -r_3& \text{other states}& \end{array}$$

传统Q-learning奖励函数设定为：到达目标得正奖励 $+r_2$，碰撞受惩罚 $-r_1$，其他非目标状态为$-r_3$，且满足$r_2>r_3>r_1$，以突出先到达目标、再避障优先级。但该设计缺乏对重复访问状态的惩罚，易导致智能体在状态间振荡、学习效率降低。为此，本文提出优化离散奖励函数：在单次回合内若状态被重复访问，则施加动态惩罚鼓励探索新路径、提升收敛速度与学习效率。
$$P(e)=C\times K^e$$

在TRE-QL中，若累计奖励$T_{\mathrm{cumulative}}>T_{\mathrm{threshold}}$,则引入与成功经验次数 $e$ 相关的动态惩罚机制，其中常数$C$与$K$控制惩罚的初始强度与衰减速率。由此，TRE-QL奖励函数在传统设计基础上引入状态重复访问惩罚与动态调节项，更好地平衡目标达成与探索效率，实现更快、更稳定的收敛。
$$r=\{\begin{array}{llc}-r_1& \mathrm{collision}& \\ r_2& \mathrm{get}\mathrm{target}& \\ -r_4=-P(e)& \text{revisit same state more than once}& \\ -r_3& \text{other states}& \end{array}$$

动作选择策略

为避免智能体过早收敛，TRE-QL引入自适应ε-贪婪衰减机制，其核心思想是在学习初期保持足够探索，随后依据累计奖励动态调整探索率，使智能体平滑过渡到利用阶段。若ε下降过快，会导致过早利用并陷入次优；若下降过慢，则会延迟收敛。自适应衰减通过累计奖励与阈值比较来调控ε，若奖励超过阈值，则以衰减因子更新ε：
$${ϵ}_{t+1}={ϵ}_t\times C_d\mathrm{if}{R}_{\text{cumulative}}>T_{\mathrm{threshold}}$$

3.结果展示

4.参考文献

[1] Ben-Akka M, Tanougast C, Diou C. Novel design of reward and epsilon-greedy decay strategy tailored for Q-learning in optimizing local mobile robot path planning[J]. Knowledge-Based Systems, 2025: 113836.

5.代码获取

xx

6.算法辅导·应用定制·读者交流

xx