%0 Dataset
%T 分布式神经策略梯度算法在机器人路径规划中的数据集
%J 国家冰川冻土沙漠科学数据中心
%I 国家冰川冻土沙漠科学数据中心(www.ncdc.ac.cn)
%U http://www.ncdc.ac.cn/portal/metadata/7ab332cb-7d40-4d9c-afa9-f5cfce8216dd
%W NCDC
%R 10.12072/ncdc.db7474.2026
%A 王和
%K 路径规划
%X 分布式神经策略梯度算法在机器人路径规划中的数据集：该数据集建立于2024年11月，利用Python仿真平台构建生成，主要面向分布式神经策略梯度算法在机器人路径规划任务中的性能分析与验证。数据集包含集中式算法与分布式算法在两类不同路径规划场景中的数值仿真结果，用于验证所提出算法在复杂路径规划环境下的收敛性能、协同决策能力以及计算效率。该数据集基于多机器人路径规划环境构建，通过对机器人状态转移、动作选择以及环境交互过程进行数值仿真，生成不同算法在训练过程中的动态演化数据。其中，目标函数性能指标由到达目标点的奖励、机器人间或与障碍物之间产生的碰撞惩罚以及路径规划过程中的时间惩罚共同构成，用于评估算法在任务完成质量与安全性方面的综合性能；同时，数据集还记录了目标函数梯度关于策略参数的范数变化情况，用于分析神经策略梯度算法的优化稳定性与收敛特性；此外，还统计了不同算法在训练与决策过程中的运行时间，用于比较集中式与分布式方法在计算复杂度和实时性方面的差异。数据集文件均为NPY格式，共12个文件，按算法类型与场景编号组织，命名规则为"CTP_路径结构_算法类型数据类型.npy"，其中路径结构以数字编号标识不同规划场景（11、321），算法类型分为集中式（cen）与分布式（dis）两类，数据类型包括目标函数值（obj）、策略梯度范数（gra）及运行时间（runningtime）三类，具体文件包括CTP_11_cenobj.npy、CTP_11_cengra.npy、CTP_11_cenrunningtime.npy、CTP_11_disobj.npy、CTP_11_disgra.npy、CTP_11_disrunningtime.npy、CTP_321_cenobj.npy、CTP_321_cengra.npy、CTP_321_cenrunningtime.npy、CTP_321_disobj.npy、CTP_321_disgra.npy及CTP_321_disrunningtime.npy。数据实体主要参数共3类：目标函数值（无量纲，反映任务奖励与惩罚的综合得分）、策略梯度范数（无量纲，反映策略参数更新幅度，用于衡量算法收敛稳定性）及运行时间（单位为秒，反映算法在训练与决策过程中的计算耗时），数据按算法类型（集中式/分布式）与路径场景（场景11/场景321）两个维度进行分类划分。在课题研究过程中，该数据集用于支撑分布式神经策略梯度算法的性能验证与效能评估工作，验证所提出分布式策略更新机制在多机器人协同路径规划中的有效性，并用于分析不同通信与协同结构下算法在路径优化、碰撞规避以及训练效率等方面的性能表现，从而满足复杂动态环境下机器人集群路径规划与协同控制的仿真验证需求。