Robotic path planning by Q learning and a performance comparison with classical path finding algorithms
Lade...
Autor:in (Körperschaft)
Publikationsdatum
2022
Typ der Arbeit
Studiengang
Typ
01A - Beitrag in wissenschaftlicher Zeitschrift
Herausgeber:innen
Herausgeber:in (Körperschaft)
Betreuer:in
Übergeordnetes Werk
International Journal of Mechanical Engineering and Robotics Research
Themenheft
DOI der Originalpublikation
Link
Reihe / Serie
Reihennummer
Jahrgang / Band
11
Ausgabe / Nummer
6
Seiten / Dauer
373-378
Patentnummer
Verlag / Herausgebende Institution
Engineering and Technology
Verlagsort / Veranstaltungsort
Auflage
Version
Programmiersprache
Abtretungsempfänger:in
Praxispartner:in/Auftraggeber:in
Zusammenfassung
Q Learning is a form of reinforcement learning for path finding problems that does not require a model of the environment. It allows the agent to explore the given environment and the learning is achieved by maximizing the rewards for the set of actions it takes. In the recent times, Q Learning approaches have proven to be successful in various applications ranging from navigation systems to video games. This paper proposes a Q learning based method that supports path planning for robots. The paper also discusses the choice of parameter values and suggests optimized parameters when using such a method. The performance of the most popular path finding algorithms such as A* and Dijkstra algorithm have been compared to the Q learning approach and were able to outperform Q learning with respect to computation time and resulting path length.
Schlagwörter
Fachgebiet (DDC)
330 - Wirtschaft
Veranstaltung
Startdatum der Ausstellung
Enddatum der Ausstellung
Startdatum der Konferenz
Enddatum der Konferenz
Datum der letzten Prüfung
ISBN
ISSN
2278-0149
Sprache
Englisch
Während FHNW Zugehörigkeit erstellt
Ja
Publikationsstatus
Veröffentlicht
Begutachtung
Peer-Review der ganzen Publikation
Open Access-Status
Gold
Lizenz
Zitation
CHINTALA, Phalgun Chowdhary, Rolf DORNBERGER und Thomas HANNE, 2022. Robotic path planning by Q learning and a performance comparison with classical path finding algorithms. International Journal of Mechanical Engineering and Robotics Research. 2022. Bd. 11, Nr. 6, S. 373–378. DOI 10.18178/ijmerr.11.6.373-378. Verfügbar unter: https://doi.org/10.26041/fhnw-7266