调度跨度降14.9%
将人工势场嵌入深度Q网络，在Petri网框架下引导动作选择，实现机器人作业车间实时调度的探索效率与决策精度同步提升。
Sijia, Yi · 罗继亮
Robotics and Computer-Integrated Manufacturing 2026
与传统调度规则相比，平均完工时间降低超过55%；与基线DQN相比，降低14.9%。
利用人工势场引导令牌向目标库所移动，在学习初期高效收集高奖励经验，提升探索成功率。
人工势场引导机制有助于避免AGV陷入循环路径，增强对动态环境的适应性。
APF-DQN方法在真实场景测试中显示出超越基线DQN的训练效率。