神经网络怎么实现路径规划的呀

我一整个对路径规划就不太懂，然后又让我基于LSTM算法做路径规划做毕设。当时学python没怎么好好学，刚才学神经网络也没看懂，希望友友帮我出下主意。

望采纳


下面只是一些基本的idea，抛砖引玉

STM（Long Short-Term Memory）是一种用于处理和预测序列数据的神经网络模型。在路径规划领域，可以通过使用LSTM模型来预测某个地点到达目标地点所需的时间，并基于预测结果为实体选择最优的路径。

要使用LSTM进行路径规划，需要先收集关于每条路径的历史数据，并使用该数据来训练LSTM模型。当模型训练完成后，就可以使用它来预测从某个地点到达目标地点所需的时间。

给定一个起始地点和一个目标地点，可以使用LSTM模型来预测从起始地点到达目标地点所需的时间。根据预测结果，可以选择最短时间的路径作为规划结果。

还有一些文献可以了解一下：

• 结合LSTM的强化学习动态环境路径规划算法 http://xwxt.sict.ac.cn/CN/abstract/abstract5714.shtml
• 基于LSTM神经网络和强化学习的移动机器人局部路径规划融合方法,Mathematical Problems in Engineering - X-MOL 由于移动机器人在局部路径规划任务中对环境的理解有限，在未知复杂环境中存在规划过程中局部死锁和路径冗余的问题。本文提出了一种基于长短期记忆（LSTM）神经网络、模糊逻辑控制和强化学习相结合的新算法，并利用每种算法的优点克服了对方的缺点。首先，为局部路径规划设计了一个包含 LSTM 单元的神经网络模型。其次，采用低维输入模糊逻辑控制（FL）算法收集训练数据，通过迁移学习到的方法学习基本能力，预训练网络模型（LSTM_FT）。然后，强化学习结合起来，从环境中自主学习新规则，以更好地适应不同的场景。最后，融合算法LSTM_FTR​​在静态和动态环境下进行模拟，并分别与FL和LSTM_FT算法进行比较。数值模拟表明，与FL相比，LSTM_FTR​​可以显着提高决策效率，提高路径规划的成功率，优化路径长度。与 LSTM_FT 相比，LSTM_FTR​​ 可以提高成功率并学习新规则。提高路径规划的成功率，优化路径长度。与 LSTM_FT 相比，LSTM_FTR​​ 可以提高成功率并学习新规则。提高路径规划的成功率，优化路径长度。与 LSTM_FT 相比，LSTM_FTR​​ 可以提高成功率并学习新规则。 https://www.x-mol.com/paper/1404994959090069504/t?recommendPaper=1286005489502175232
• 使用 LSTM 神经网络在动态环境中规划移动机器人的轨迹,Applied Sciences - X-MOL 自主移动机器人因其为行业带来的优势而成为当前研究的重要焦点，例如比人类更精确地执行危险任务。自主移动机器人必须能够生成无碰撞轨迹，同时避开从指定起始位置到目标位置的静态和动态障碍物。机器学习是人工智能的一个子领域，用于创建长短期记忆 (LSTM) 神经网络，该网络被实施和执行以允许移动机器人找到两点之间的轨迹并在避开动态障碍物的同时进行导航. 网络的输入是移动机器人与激光雷达传感器抛出的障碍物之间的距离、所需的目标位置、以及移动机器人相对于里程计参考系的位置。利用该模型学习样本数据中输入输出的映射关系，得到移动机器人的线速度和角速度。在开源 3D 机器人模拟器 Gazebo 中模拟移动机器人及其动态环境。Gazebo 可以与 ROS（机器人操作系统）同步。计算实验表明，该网络模型可以在动态环境中规划出安全的导航路径。获得的最佳测试准确率为 99.24%，该模型可以概括其他未经专门训练的轨迹 在开源 3D 机器人模拟器 Gazebo 中模拟移动机器人及其动态环境。Gazebo 可以与 ROS（机器人操作系统）同步。计算实验表明，该网络模型可以在动态环境中规划出安全的导航路径。获得的最佳测 https://www.x-mol.com/paper/1459228150920544256/t?recommendPaper=1349860490878939136