Navigation d’un robot mobile en utilisant le Q-learning flou

Abstract

Ce travail présente une technique de navigation d’un robot mobile. C’est une méthode basée sur l’apprentissage à partir de l’expérience de manière à maximiser une récompense numérique au cours du temps. L’idée fondamentale de l’apprentissage par renforcement est d’améliorer une politique courante après chaque interaction avec l’environnement. Tout d’abord, l’algorithme Q-learning standard de l’apprentissage par renforcement est utilisé pour la navigation d’un robot mobile. Pour améliorer les performances, une stratégie de commande avec une capacité d’apprentissage en ligne est utilisée en introduisant des connaissances disponibles à priori par un système d’inférence flou pour que le comportement initial soit acceptable. C’est une extension de Q-learning aux espaces d’états et d’actions continus pour la navigation d’un robot mobile.