周思雨，白成超

（哈爾濱工業(yè)大學航天學院，哈爾濱 150001）

1 引 言

近太空技術的不斷發(fā)展與逐步成熟，掀起了人類不斷向深外太空拓展的熱潮。近年來，世界主要航天大國都相繼制定了宏偉的深空探測長遠規(guī)劃與實施方案，例如美國、歐洲、日本以及俄羅斯［1-2］。在這些規(guī)劃中，重返月球（Return to the moon）、火星2020（Mars2020）、火星外空生物學（Exobiology on Mars，ExoMars）等探測任務都將研制最先進的行星車。中國的嫦娥三號探測器攜帶玉兔號月球車實現(xiàn)了深空測控通信技術的突破；嫦娥四號探測器攜帶玉兔二號月球車實現(xiàn)了月球背面巡視探測技術的突破；未來計劃發(fā)射的嫦娥五號探測器將對月面土壤進行采樣并返回。2016年由國務院發(fā)布的《“十三五”國家科技創(chuàng)新規(guī)劃》指出，“到2020年發(fā)射首顆火星探測器，突破一系列核心關鍵技術，在一次發(fā)射的基礎上，實現(xiàn)火星環(huán)繞以及著陸巡視探測”。由此可見，行星車在航天領域的深空探測方向具有重大的研究意義。

行星車在星體表面運動時，要求其具備良好的自主能力，按照《新一代人工智能發(fā)展規(guī)劃》中的論述，其關鍵技術為規(guī)劃、感知和控制等。其中，路徑規(guī)劃是指在起點和目標點（給定環(huán)境）之間搜索出一條最優(yōu)路徑，它是行星車的中樞神經(jīng)系統(tǒng)，是其能夠安全高效地開展科學巡視探測的重要保證［3］。

按照地圖信息獲取方式的不同，將行星車的路徑規(guī)劃分為全局路徑規(guī)劃（基于先驗地圖信息）和局部路徑規(guī)劃（基于傳感器信息）。研究方法可以分為傳統(tǒng)方法和基于學習的方法。在傳統(tǒng)方法中，行星車的所有行為都是預先定義好的。典型代表如美國噴氣推進實驗室（Jet Propulsion Laboratory，JPL）為一系列火星車開發(fā)的車輛任務序列與可視化系統(tǒng)（The Rover Sequencing and Visualization Program，RSVP）。地面工作人員可以通過RSVP快速復現(xiàn)的精確三維環(huán)境信息來制定行星車的任務序列［4-5］。選用RSVP是由于行星表面地形復雜，容易引起滑移和滾翻，導致任務失敗。傳統(tǒng)的方法在這種情況下可以增加系統(tǒng)的可靠性。

然而，未來的行星車需要做出戰(zhàn)略轉變，將以大規(guī)?？茖W探測為主。高價值的科學探測目標往往需要宇航員與多移動機器人協(xié)同作業(yè)，因此伴隨著更為復雜的環(huán)境。對于行星車而言，作業(yè)環(huán)境不是完全已知的，需要其具備一定的對環(huán)境變化的自適應能力和自學習能力。因此需要研制出更高級的智能規(guī)劃模塊。此時，基于學習的規(guī)劃框架就充分發(fā)揮了它的優(yōu)勢。在基于學習的方法中，深度學習（Deep Learning，DL）可以成功處理高維信息；強化學習（Reinforcement Learning，RL）可以在復雜環(huán)境下執(zhí)行連續(xù)決策任務。如圖1所示，將RL和DL結合在一起的深度增強學習（Deep Reinforcement Learning，DRL）可以學習一個端到端（End-to-end）的模型，盡可能地簡化從感知到?jīng)Q策之間的人為操作，從而避免精密而脆弱的人工設計，進一步提升任務的穩(wěn)定性和智能性。

圖1 深度強化學習框架Fig.1 Deep reinforcement learning framework

基于以上需求背景，本文以行星車為應用背景，研究一種在行星探測環(huán)境中應用的基于DRL的路徑規(guī)劃方法。首先通過DL處理從環(huán)境中獲取的多源傳感器組成的狀態(tài)信息，然后利用RL基于預期回報評判動作價值，將當前狀態(tài)映射到相應動作，并將動態(tài)指令分配給行星車。作為算法驗證，本文將深入探索較為高效的基于DRL的方法，并將其應用于多傳感器行星車的路徑規(guī)劃中，賦予行星車對環(huán)境變化的自適應能力和自學習能力，同時在基于機器人操作系統(tǒng)（Robot Operating System，ROS）及Gazebo的仿真場景中驗證算法的有效性。這種DRL算法具有非常廣泛的應用，對于航天領域以及機器人領域中的自主規(guī)劃等都有非常重要的意義。

2 DQN及其衍生算法

早期，研究者就嘗試將神經(jīng)網(wǎng)絡與RL進行集成，但當把離策略（Off-policy）、函數(shù)近似和引導（Bootstapping）結合在一起時，RL會表現(xiàn)出不穩(wěn)定，甚至開始發(fā)散。直到DeepMind團隊的Mnih等［6］創(chuàng)造出DQN，這才點燃了DRL領域。

此后，DQN得到了廣泛的發(fā)展，圖2給出了DQN的發(fā)展歷程，將其中的DQN、Double DQN和Dueling DQN算法融合在一起，結合PER算法就構成了D3QN PER算法。

2.1 DQN算法

2.1.1 經(jīng)驗回放

在DQN中使用經(jīng)驗回放的動機是：作為有監(jiān)督學習模型，深度神經(jīng)網(wǎng)絡（Deep Neural Network，DNN）要求數(shù)據(jù)滿足獨立同分布假設；但樣本來源于連續(xù)幀，這與簡單的RL問題（比如走迷宮）相比，樣本的關聯(lián)性大大增加。假如沒有經(jīng)驗回放，算法在連續(xù)一段時間內基本朝著同一個方向做梯度下降，那么在同樣的步長下，這樣直接計算梯度就有可能不收斂。所以經(jīng)驗回放的主要作用是：克服經(jīng)驗數(shù)據(jù)的相關性，減少參數(shù)更新的方差；克服非平穩(wěn)分布問題。經(jīng)驗回放的做法是從以往的狀態(tài)轉移（經(jīng)驗）中隨機采樣進行訓練，提高數(shù)據(jù)利用率，可以理解為同一個樣本被多次使用。

2.1.2 算法原理

神經(jīng)網(wǎng)絡的訓練可以理解為通過最優(yōu)化損失函數(shù)使其最小化，這里的損失函數(shù)指的是標簽和網(wǎng)絡輸出的偏差。為此，DQN算法利用Q-learning為Q網(wǎng)絡提供有標簽的樣本，再通過反向傳播使用梯度下降的方法更新神經(jīng)網(wǎng)絡的參數(shù)。

（1）采用DNN作為Q值的網(wǎng)絡：

其中，w為DNN的參數(shù)。

（2）在Q值中使用均方差（Mean Square Error，MSE）定義損失函數(shù)：

（3）計算參數(shù)w關于損失函數(shù)的梯度：

圖2 DQN的發(fā)展歷程Fig.2 Development of DQN

（4）使用隨機梯度下降法（Stochastic Gradient Descent，SGD）更新參數(shù)，從而實現(xiàn)端到端的優(yōu)化目標。

本文采用的DQN算法還引入了一個與當前值網(wǎng)絡結構一致的目標值網(wǎng)絡，負責生成訓練過程的目標，即。每訓練C步，將當前值網(wǎng)絡的參數(shù)完全復制給目標值網(wǎng)絡，那么，接下來C步參數(shù)更新的目標將由更新后的目標值網(wǎng)絡負責提供。

2.2 Double DQN算法

2.2.1 優(yōu)先經(jīng)驗回放

PER的思路來源于優(yōu)先清理（Prioritized Sweeping），它以更高的頻率回放對學習過程更有用的樣本，本文使用TD-error來衡量作用的大小。TD-error的含義是某個動作的估計價值與當前值函數(shù)輸出的價值之差。TD-error越大，則說明當前值函數(shù)的輸出越不準確，換而言之，能從該樣本中“學到更多”。為了保證TD-error暫時未知的新樣本至少被回放一次，將它放在首位，此后，每次都回放TD-error最大的樣本。

本文結合純粹的貪婪優(yōu)先和均勻隨機采樣。確保樣本的優(yōu)先級正比于TD-error，與此同時，確保最低優(yōu)先級的轉移概率也是非零的。

具體的，定義采樣轉移i 的概率為：

其中，pi是第i 個經(jīng)驗的優(yōu)先級；指數(shù)α決定使用優(yōu)先級的多少，當α=0時是均勻隨機采樣的情況。主要存在兩種實踐途徑，第一種是成比例的優(yōu)先（Proportional Prioritization），即

其中，δi為TD-error；ε是為了防止經(jīng)驗的TD-error為0后不再被回放。

在實現(xiàn)時采用二叉樹結構，它的每個葉子節(jié)點保存了經(jīng)驗的優(yōu)先級，父節(jié)點存儲了葉子節(jié)點值的和，這樣，頭節(jié)點的值就是所有葉子結點的總和。采樣一個大小為k 的minibatch時，范圍[0,ptotal]被均分為k 個小范圍，每個小范圍均勻采樣，各種經(jīng)驗都有可能被采樣到。

第二種是基于排行的優(yōu)先級（Rank-Based Prioritization），即：

其中，rank(i)是經(jīng)驗池中根據(jù)TD-error排行的第i個經(jīng)驗的排行。

在概率統(tǒng)計中，使用某種分布采樣樣本會引入偏差，加入重要性采樣（Importance-sampling）可以消除偏差。這里的重要性采樣權重為：

其中，β用于調節(jié)偏差程度，因為在學習的初始階段有偏差是無所謂的，但在后期就要消除偏差。為了歸一化重要性采樣權重：

2.2.2 算法原理

Q-learning中存在嚴重的過估計問題，這個問題同樣被帶入到DQN算法中。假設所有動作在當前狀態(tài)下的實際返回值都是0，但由于估計必定存在誤差，所以一些動作可能返回正值（假設為+0.5），一些動作可能返回負值（假設為-0.5）。在Q函數(shù)返回所有動作在當前狀態(tài)下的估計值后，Q-learning選擇最大Q值的動作。但此時這個最大值是+0.5，并且每一步（在每個狀態(tài)下）都存在該問題。隨著迭代往前進行，過估計問題可能導致策略逐漸變?yōu)橐粋€次優(yōu)解。為解決過估計問題，Double DQN應運而生［7］。它將目標Q值中動作的選擇和動作的評估分開，讓它們使用不同的Q網(wǎng)絡。在DQN中的目標Q值為：，而在Double DQN中的目標Q值為

2.3 Dueling DQN結構

如圖3所示，Dueling DQN［8］相比于DQN在網(wǎng)絡結構上做出了改進，在得到中間特征后，一邊預測狀態(tài)值函數(shù)v(s;θ,β)，另一邊預測相對優(yōu)勢函數(shù)A (s,a;θ,α)，兩個相加才是最終的動作值函數(shù)：

其中，s、a分別為當前狀態(tài)和動作；θ為卷積層參數(shù)；β和α是兩支路全連接層參數(shù)。這樣做的好處是v(s)和A(s,a)分別評定遠近目標，v(s)是對當前狀態(tài)的長遠判斷，而A(s,a)則衡量在當前狀態(tài)下不同動作的相對好壞。

圖3 Dueling DQN的網(wǎng)絡結構示意圖Fig.3 Network structure diagram of dueling DQN

訓練時，如果按照式（9）的做法，給定一個Q值無法得到唯一的ν和A，比如，ν和A分別加上和減去一個值能夠得到同樣的Q值，但反過來顯然不行。根據(jù)式（9），最優(yōu)狀態(tài)值函數(shù)ν*來源于使Q值最大的那個貪婪動作，即。由此，可通過強制使得選擇貪婪動作的優(yōu)勢函數(shù)為0，來保證分離出來的ν就是最優(yōu)策略下的ν*。所以?。?/p>

這個操作會偏離目標函數(shù)，A不再為0，但可以保證該狀態(tài)下各動作的優(yōu)勢函數(shù)相對排序不變，而且可以縮小Q值的范圍，去除多余的自由度，提高算法的穩(wěn)定性。

3 行星車環(huán)境特征處理方案

3.1 自身狀態(tài)信息處理方法

圖4 自身信息處理方法示意圖Fig.4 Schematic diagram of its own information processing method

3.2 激光雷達點云信息處理方法

激光雷達（Light Detection And Ranging，LIDAR）能適應不同的光照，同時對環(huán)境具有較好的魯棒性，因此成為近期行星車發(fā)展中最重要的傳感器之一。

LIDAR產(chǎn)生的點云屬于長序列信息，比較難直接拆分成單個獨立的樣本通過CNN進行訓練。本文采用長短期記憶（Long Short-Term Memary，LSTM）網(wǎng)絡處理LIDAR點云信息，其中cell單元為512個，具體的網(wǎng)絡結構如圖5所示。

圖5 處理LIDAR點云信息的LSTM網(wǎng)絡結構示意圖Fig.5 Schematic diagram of LSTM network structure for processing LIDAR point cloud information

為了方便，控制LIDAR輸出的點云信息為360維，更新頻率是50Hz，探測范圍為-90o～90o，探測距離為0.1～10.0m。

3.3 視覺圖像信息處理方法

盡管LIDAR擅長測量障礙物的距離和形狀，但實際上它并不能用于確定障礙物的類型。計算機視覺可通過分類完成這項任務，即給定相機的圖像，可以標記圖像中的對象。

本文采用CNN處理視覺圖像信息。輸入圖像（1024×728）經(jīng)過預處理和疊幀（4幀）后變?yōu)?0×80×4的單通道灰色圖。這里共采用了三個卷積層，它們分別是conv1、conv2和conv3。Conv1、conv2和conv3的具體參數(shù)可參見表1。

表1 卷積核參數(shù)Table 1 Convolution kernel parameter

3.4 環(huán)境特征融合方案

結合前面所提出的針對自身狀態(tài)信息、LIDAR點云信息和視覺圖像信息的處理方法，再結合D3QN PER算法，由此可以給出行星車的環(huán)境特征融合方案，如圖6所示。

4 仿真結果及分析

4.1 行星車的動作空間劃分

考慮到大規(guī)模行星探測作業(yè)環(huán)境的復雜性，首先將行星車的動作空間劃分為11個單元，如表2所示。

表2 動作劃分表Table 2 Action partition table

圖6 環(huán)境特征融合方案示意圖Fig.6 Schematic diagram of environmental feature fusion scheme

4.2 算法參數(shù)與獎勵函數(shù)設置

算法的基礎參數(shù)設置如表3所示。為了加快收斂速度，?-貪婪法的?參數(shù)從初始值1.0開始按照訓練步數(shù)線性下降，如式（12）所示，直到?等于?final后不再變化。

表3 參數(shù)設置表Table 3 Parameter settings table

PER算法的參數(shù)設置如表4所示。值得注意的是，β參數(shù)也按照訓練步數(shù)線性下降：

表4 PER算法參數(shù)設置表Table 4 PER algorithm parameter setting table

獎勵函數(shù)的設置參見表5。其中，vt和vt-1分別為t時刻和t-1時刻行星車的速度信息；ωt和ωt-1為t時刻和 時刻行星車的角速度信息；dt和dt-1為t時刻和t-1時刻行星車相對終點的距離信息；θt和θt-1為t時刻和t-1時刻行星車相對終點的角度信息。

表5 獎勵函數(shù)的設置Table 5 Setting of reward function

4.3 結果與分析

將沙礫和巖石簡化為靜態(tài)障礙，搭建的仿真環(huán)境如圖7所示。

圖7 仿真環(huán)境示意圖Fig.7 Schematic diagram of simulation environment

其中，靜態(tài)障礙為邊長為1m的黑色正方體，影響半徑為1.5m。在每一幕訓練時，行星車的起點和終點以及靜態(tài)障礙的位置都是隨機的，為了模擬行星探測環(huán)境的復雜程度，它們需要滿足以下條件：行星車的起點和終點之間的距離不小于20m；各靜態(tài)障礙之間的距離不小于5m；各靜態(tài)障礙與行星車的起點和終點之間的距離不小于5m。

訓練過程中獎勵隨幕數(shù)的變化趨勢如圖8所示，由圖可知，網(wǎng)絡收斂。

隨機生成的500幅地圖進行測試，測試過程中獎勵隨幕數(shù)的變化趨勢如圖9所示。由圖可知，500次測試中行星車全部到達了終點。

圖8 訓練過程中獎勵隨幕數(shù)的變化圖Fig.8 Change of reward with episode during training

圖9 測試過程中獎勵隨幕數(shù)的變化圖Fig.9 Chart of reward change with episode during testing

展示測試中的地圖，如圖10所示，規(guī)劃的路徑不僅能夠成功避障，并且較短較直。

圖10 路徑規(guī)劃結果示意圖Fig.10 Schematic diagram of path planning results

5 結 論

本文研究了行星車端到端的路徑規(guī)劃問題，將其應用于大規(guī)模行星探測背景下宇航員和多機器人協(xié)同作業(yè)的復雜環(huán)境中。使用CNN和LSTM處理多傳感器信息，結合DQN、Double DQN、Dueling DQN和PER算法的優(yōu)點，采用D3QN PER算法，賦予了行星車自主決策、自主學習以及自適應的能力。在靜態(tài)障礙環(huán)境中進行了一系列實驗，驗證了該方法對不同環(huán)境的適應性，展示了其在航天領域深空探測行星車上的應用價值。