Цель исследования. Основной целью работы является повышение эффективности работы нейросетевой модели при навигации мобильной робототехнической платформы в статических и динамически сгенерированных средах.

Методы. Для решения поставленной задачи были предложены точная настройка и оптимизация гиперпараметров нейронной сети. Для стимулирования агентов исследовать окружающую среду была проведена корректировка системы вознаграждений, предполагающая повышение вознаграждения при уменьшении расстояния от агента до целевой точки и увеличение штрафа при движении в направлении, противоположном конечной точке, и при прохождении каждой последующей сцены. Такое распределение вознаграждений и штрафов побуждает агентов активно обучаться и способствует сокращению общего количества сцен. С целью уменьшения объема данных, обрабатываемых нейронной сетью, была введена нормализация входных векторов. Было уменьшено время обучения модели нейронной сети благодаря параллельному обучению агентов и, как следствие, увеличения опыта в результате исследования окружающей среды.

Результаты. Предложенный подход позволил сократить время обучения на 30% и повысить эффективность навигации мобильной платформы на 10% в динамически сгенерированной среде и на 22% в статической среде по сравнению с неоптимизированной моделью.

Заключение. Предложенное решение может быть использовано совместно с другими методами трассировки и навигации, когда обученная нейронная сеть работает одновременно с уже отработанными и проверенными алгоритмами навигации. Например, если мобильная платформа подключает обученную нейронную сеть только для корректировки положения в пространстве и предотвращения столкновений с другими объектами