文章研究了Q-learning算法,并且基于该算法,对煤矿井下机器人的移动路径进行了规划,并且对规划方案进行了仿真分析,通过研究发现Q-learning算法的路径规划能力优越,特别是对于条件极为恶劣、工况十分复杂的煤矿井下作业环境而言,能够较好地获取满意的规划结果。

路径规划问题，有三种环境配置可实现，以下是代码来源，基于此做的实验 https://blog.csdn.net/jacken3/article/details/119803094

炸弹人 这是Bomberman使用强化学习技术“ Q-Learning”的模拟。 请参阅以获取文档。 致谢： 这个想法基于文章“用于迷宫解决的深度强化学习”

文章链接：https://blog.csdn.net/shoppingend/article/details/124291112?spm=1001.2014.3001.5501

项目描述： 在该项目中，你将使用强化学习算法，实现一个自动走迷宫机器人。 如上图所示，智能机器人显示在右上角。在我们的迷宫中，有陷阱（红色×××）及终点（蓝色的目标点）两种情景。机器人要尽量避开陷阱、尽快到达目的地。 小车可执行的动作包括：向上走 u、向右走 r、向下走 d、向左走l。 执行不同的动作后，根据不同的情况会获得不同的奖励，具体而言，有以下几种情况。 撞到墙壁：-10 走到终点：50 走到陷阱：-30 其余情况：-0.1 我们需要通过修改 robot.py 中的代码，来实现一个 Q Learning 机器人，实现上述的目标。 Section 1 算法理解 1.1

主要介绍了用Q-learning算法实现自动走迷宫机器人的方法示例，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧

如何针对煤矿井下环境的不确定性规划机器人的路径是其中的一个难点。文章提出了一种基于Q-learning算法的移动机器人路径规划,希望对提高机器人救援的避障能力的提升,起到一定的促进作用。

基于Q-learning算法的日内择时策略初窥

一种基于改进Q-learning算法的焊接工艺参数适配方法及系统

为了解决智能仓储系统中自动导引车（Automated Guided Vehicle，AGV）的全局路径规划问题，提出了一种基于改进Q⁃learning算法的AGV全局路径优化算法。针对运用传统Q⁃learning算法只适用于离散状态模型或者较为简单的连续状态模型的情况，将人工神经网络引入Q⁃learning算法。通过仿真实验进行对比，仿真结果表明，新算法可以使AGV通过自主学习自行寻找出一条无碰撞最优路径，证明了改进后的Q⁃learning算法的可行性。