基于WT-RBF Linear与特征增强的多机器人路径规划OA

DHC(Distributed Heuristic Communication)为多机器人路径规划(Multi-Agent Path Finding,MAPF)提供了一种新颖的解决思路,有效缓解了多机器人路径规划中的部分可观测问题。但是,由于其特征提取不够精细,导致Q值计算精度下降,进而限制了其动作决策能力,且无法有效解决路径冲突问题。文中提出一种基于WT-RBF Linear与特征增强的多机器人路径规划方法。首先,利用卷积块注意力模块(Convolutional Block Attention Module,CBAM)优化提取机器人的观测信息特征,提高机器人对关键路径信息的关注度,减少无关信息干扰;然后,提出WT-RBF Linear模块,将小波变换(Wavelet Transform)与径向基函数(Radial Basis Function,RBF)结合,在CBAM提取的特征基础上进一步提取更加精细的全局与局部特征,依据这些特征准确计算Q值,提升模型的动作决策能力;最后,对于路径规划过程中发生的路径冲突,设计冲突消解策略。实验结果表明,所提方法平均成功率达到96.5%,平均步长减少至105.1085,展现出更强的稳定性和鲁棒性。