随着智能与自动驾驶技术的迅速发展，基于深度强化学习的路径规划方法受到广泛关注. 导航任务是机器人智能的核心，但多数路径规划算法依赖先验地图，在地下探索、灾后救援、洞穴搜救等特殊环境下难以实现，因而无地图导航成为研究热点. 当前方法主要分为经典方法与深度强化学习方法. 经典算法如A*、Dijkstra和动态窗口法（DWA）已在机器人操作系统（ROS）中广泛实现，但存在计算开销大或易陷入局部最优的问题^[1-4]. 部分改进方法如基于间隙^[5]或高斯过程前沿方法^[6]虽然可以提升性能，但在感知稀疏或场景复杂时受限.

近年来，深度强化学习因硬件进步而得到快速发展^[7-8]. DQN、DDPG、PPO、TD3等算法通过强化策略学习显著提升导航的性能^[9-10]，TD3引入双Q网络以减少高估偏差. 部分研究者结合深度强化学习与传统方法，如人工势场法^[11-13]，增强经验学习能力. 引入LSTM网络^[14-17]进一步提升对连续状态信息的处理能力，加速训练并提升泛化效果. Xie等^[18]在训练过程中使用简单控制器对深度强化学习模型进行引导，以达到提升样本质量的目的.

伴随深度强化学习的飞速发展，深度强化学习在无地图导航领域逐渐成为主流，然而深度强化学习方法需要进行大量的训练，该过程需要有足够多的优质数据才能训练出令人满意的模型^[19]. 在无地图场景下导航无法获取最优的全局路径，仅依靠局部路径规划器无法实现高效导航^[20]. 为了解决这些问题，结合神经网络的快速响应性和强鲁棒性^[21]，本文构建基于动态窗口法引导的TD3路径规划算法框架. 为了提升DWA局部路径规划算法在无地图环境下的表现，设计逃离机制，解决路径规划器易陷入局部最优的问题. 为了解决TD3算法训练速度慢、所需训练样本量大的问题，结合TD3算法与DWA，辅助TD3算法获得奖励更高的经验动作，以获得优质训练样本，加快算法的收敛进程. 引入LSTM网络，增强机器人对连续信息经验的学习能力，参考前序状态信息，进一步提升算法的训练效率，提高机器人的导航效果.

为了在DWA算法中进行线速度与角速度的评价，须建立机器人运动学的数学模型. 研究对象为双轮差速底盘机器人^[22]（见图1）.

图1中，$ l $为两轮之间的间距，$r$为转弯半径，${v_1}、{v_2}$分别为左、右两轮的线速度. 机器人在$\Delta t$时间内进行匀速运动的运动学模型如下：

(1)$ \left.\begin{array}{c}{x}_{t+1}={x}_{t}+v \Delta t\mathrm{cos}\,\,{\theta }_{t}，\\ {y}_{t+1}={y}_{t}+v \Delta t\mathrm{sin}\,\,{\theta }_{t}，\\ {\theta }_{t+1}= {\theta }_{t}+\omega \Delta t .\end{array} \right\} $

式中：$x、y$为机器人的坐标位置；$\omega $为机器人的角速度；$v$为机器人中心线速度，大小为$({v_1}+{v_2})/2$；$\theta $为两轮中心连线与$x$轴的夹角.

动态窗口法具有决策延迟低、安全性高、多约束耦合能力强等优点，是高效且可靠的导航方法，因此将其与深度强化学习进行结合，提升导航性能. 动态窗口法需要在速度空间内对$ v $和$ \omega $采样. 在采样过程中，通常会获得多组采样速度动态窗口，使用评价函数对采样速度进行评估，确定该状态下的最佳速度^[23]. 由于机器人的固有特性和环境约束，速度空间会被限制在一定范围内. 速度空间的选取需要考虑其极限速度：

(2)$ {V_{\mathrm{m}}} = \{ \left. {(v,\omega )} \right|v \in [{v_{\min}},{v_{\max}}],\omega \in [{\omega _{\min}},{\omega _{\max}}]\} . $

式中：${v_{\min}}、{v_{\max}}$分别为机器人线速度的最小值和最大值，${\omega _{\min}}、{\omega _{\max}}$分别为机器人角速度的最小值和最大值.

在实际工程上，机器人加速、减速运动都会受限于机器人的动力性能，因此机器人速度空间被加速度所约束，数学表达式如下：

(3)$\begin{split} {V_{\text{d}}} =& \left\{ \left( {v,\omega } \right)| {v \in \left[ {{v_{\text{c}}} - {a_{{v}}}\Delta t,{v_{\text{c}}}+{a_{{v}}}\Delta t} \right]},\right. \\ &\left. {\omega \in [{\omega _{\text{c}}} - {a_{\omega}}\Delta t,{\omega _{\text{c}}}+{a_{{\omega }}}\Delta t]} . \right\} \end{split}$

式中：${a_{{v}}}$为最大线加速度，${a_{\omega}}$为最大角加速度，${v_{\text{c}}}、{\omega _{\text{c}}}$分别为当前线速度和当前角速度.

机器人通过激光雷达可以获得与障碍物之间的距离，应留有一定的距离确保机器人能够在撞到障碍物前完成减速. 若距离不够，则机器人以最大加速度进行制动，无法避免碰撞. 对机器人在发生碰撞前的速度进行约束，该速度应与障碍物距离成正比，数学表达式如下：

(4)$\begin{split} {V_{\mathrm{a}}} =& \left\{ \left( {v,\omega } \right)|v\in {{\text{[}}{{{v}}_{\min }},\sqrt {2 {\text{dist }}(v,\omega ) {a_{{v}}}} ]} ,\right.\\ &\left. \omega \in{{\text{[}}{\omega _{\min }},\sqrt {2 {\text{dist }}(v,\omega ) {a_{\textit{ω }}}} ]} . \right\} \end{split}$

式中：${\text{dist }}\left( {v,\omega } \right)$为当前速度下预测轨迹与障碍物之间的最小距离. 结合速度约束${V_{\mathrm{m}}}、{V_{\mathrm{d}}}、{V_{\mathrm{a}}}$，可得最终DWA算法中的采样速度空间${{V}}$：

(5)$ V = {V_{\text{m}}} \cap {V_{\text{d}}} \cap {V_{\text{a}}}. $

由于DWA作为局部路径规划算法，在无先验地图的情况下极易陷入局部最优. 针对该问题，在原始评级函数的基础上设计逃离机制. 评价函数的原理是在符合各种约束的速度空间中采样多组速度，模拟出一定时间内的轨迹^[24]. 通过评价函数对这些轨迹进行评价，选出一条相对最优的轨迹和速度，评价函数的数学表达式如下：

(6)$ G\left( {v,\omega } \right) = \sigma [\alpha \cdot {\text{heading }}(v,\omega ) +\beta \cdot {\text{dist }}(v,\omega )+\gamma \cdot {\text{vel }}(v,\omega )] .$

式中：${\text{heading}}\left( {v,\omega } \right)$为当前采样速度下轨迹终点方向与目标点连线的夹角误差，${\text{vel}}\left( {v,\omega } \right)$为线速度，$\sigma 、\alpha、\beta、\gamma $为常数.

针对无地图环境，采用原始DWA算法导航经常会陷入局部最优，此时机器人评价分数最高的动作可能是原地不动. 虽然原地转动可以确保机器人不会发生碰撞，但机器人不能到达目标位置. 为了解决该问题，针对评价函数作出改进，在陷入局部最优时，采用逃离机制优先逃离局部最优点. 此时，评价函数不考虑${\text{heading}}$项，以${\text{dist}}$项作为评估速度的主要依据，促使机器人优先逃离局部最优点. 当陷入局部最优时，改进后动态窗口法的评价函数变为

(7)$ G\left( {v,\omega } \right) = \sigma '[\beta ' \cdot {\text{dist}}(v,\omega )+\gamma ' \cdot {\text{vel}}(v,\omega )]. $

式中：$\sigma '、\beta '、\gamma '$为常数.

由于机械结构的限制，机器人背面通常有遮挡，导致观测区域存在盲区，有时需要转动方向寻找更优解. 设计根据机器人左、右侧激光雷达探测数据来确定机器人转向角速度，引导机器人向障碍物不密集的地方转动. 左转与右转概率分别为

(8)$ \left. \begin{gathered} {L_{{\text{prob}}}} = \min \left\{1,\max \left\{0,{{{\text{dis}}{{\text{t}}_{{\text{left}}}}}}/{C}\right\}\right\} , \\ {R_{{\text{prob}}}} = \min \left\{1,\max \left\{0,{{{\text{dis}}{{\text{t}}_{{\text{right}}}}}}/{C}\right\}\right\} . \\ \end{gathered} \right\} $

式中：${\text{dis}}{{\text{t}}_{{\text{left}}}}$为激光雷达检测到左侧障碍物的距离之和，${\text{dis}}{{\text{t}}_{{\text{right}}}}$为激光雷达检测到右侧障碍物的距离之和，${L_{{\text{prob}}}}$为左转概率，${R_{{\text{prob}}}}$为右转概率. 最终的逃离速度为

(9)$ \left. \begin{gathered} v = 0 , \\ \omega = {\mathrm{random}}\;( - R,L). \\ \end{gathered} \right\} $

式中：${\mathrm{random}}\;({{x}},y)$为从$x$到$y$范围内的随机数.

为了增强算法整体的性能和稳定性，在根据DDPG算法进行优化的TD3算法的基础上进行改进，其改进思路借鉴DDQN算法的思想. 为了解决Q值高估的问题，在TD3网络中采用Actor-Critic框架：4个Critic网络和2个Actor网络. 在该算法中，Critic网络的更新频率高于Actor，这使得训练过程更加稳定. TD3网络的结构如图2所示.

在TD3算法的训练过程中，网络从经验池中获取当前时刻的状态值、动作值、奖励值和$t+1$时刻的状态值，表示为$ \left( {{\boldsymbol{s}},{\boldsymbol{a}},r,{{\boldsymbol{s}}_{t+1}}} \right) $，通过目标Actor网络推理得到$t+1$时刻的动作^[25]. 由2个Critic网络计算得到Q，计算得到目标值$y$：

(10)$ y = r+\gamma \left( {1 - d} \right){\text{min}}\,\,\left\{ {{Q_1},{Q_2}} \right\}. $

式中：$\gamma $为折扣因子；d表示终止状态，d=1表示回合终止，d=0表示回合未结束；Q₁、Q₂分别为2个Critic网络输出的Q.

通过选取较小的Q并进行回归，可以有效地解决Q值高估的问题. 在训练初期，机器人更需要学习如何躲避障碍物和向目标点方向移动. 在初期，网络获取得到的优质训练数据较少，故采用DWA对机器人进行引导，可以获取更多的优质训练数据，加快网络对导航任务的学习速度.

因机器人在算法训练初期对环境的学习不充分，所执行的动作未必合理，提出基于$\varepsilon $-贪心策略的动作选择器，引导智能体执行更加有效的动作. TD3算法中包含Critic网络，该网络在训练过程中主要用于评判动作价值. 训练时，通过决策网络计算得到的动作为${{\boldsymbol{a}}_{{\text{net}}}}$，通过DWA控制器得到的动作为${{\boldsymbol{a}}_{{\text{dwa}}}}$. 智能体根据Q按照一定的策略进行动作选择，执行Q较大的动作${{\boldsymbol{a}}_{{\text{max}}\left( {{Q}} \right)}}$. 基于$\varepsilon $-贪心策略的动作选择器会在训练初期大量采用${{\boldsymbol{a}}_{{\mathrm{dwa}}}}$作为智能体执行动作，帮助智能体快速学会躲避障碍物，并向目标点方向移动. 在训练末期，更多采用Action网络得到${{\boldsymbol{a}}_{{\text{net}}}}$，这有利于机器人充分探索最优动作，提升智能体导航性能的上限. 基于$\varepsilon $-贪心策略的动作选择器的数学表达式如下：

(11)$ {\boldsymbol{a}} = \left\{ {\begin{array}{*{20}{c}} {\begin{array}{*{20}{c}} {{{\boldsymbol{a}}_{{\text{max}}\left( {{Q}} \right)}},}&{{\text{概率为 }}1 - \varepsilon }; \\ {{{\boldsymbol{a}}_{{\text{net,}}}}}&{{\text{概率为 }}\varepsilon }. \end{array}} \end{array}} \right. $

式中：$\varepsilon $为选择${{\boldsymbol{a}}_{{\text{net}}}}$的概率.

$\varepsilon $的初始值较小，随着训练的进行，逐渐递增到1，保证智能体在初始阶段优先学习动作选择器输出的动作，提升训练效率. 在训练后期，允许智能体进行更多的探索，进一步提升模型的性能. DWA引导算法的框架如图3所示.

机器人状态由前方$180^\circ $雷达数据与目标点相对机器人位置的极坐标构成，其中采样激光雷达相邻激光束的间隔角度为$10^\circ $，最终的状态空间包含19位激光雷达数据和2位极坐标.

Actor网络的最终输出可以表示为对应实际机器人的线速度和角速度$\left( {v,\omega } \right)$. 由于实际机器人具有运动学模型的约束，存在最大线速度${v_{{\text{max}}}}$和最大角速度${\omega _{{\text{max}}}}$. 在Actor网络中，使用tanh激活函数对Actor网络输出动作进行限制. 机器人速度可由Actor网络输出动作$\left( {{v_{{\text{net}}}},{\omega _{{\text{net}}}}} \right)$表示：

(12)$ \left( {v,\omega } \right) = \left( {{v_{{\text{max}}}}\frac{{{v_{{\text{net}}}}+1}}{2},{\omega _{{\text{max}}}}{\omega _{{\text{net}}}}} \right). $

奖励函数是深度强化学习的重要机制，智能体根据奖励函数来明确任务需求. 具体内容如下：

(13)$ {r_{{\mathrm{cl}}}} = \left\{ {\begin{array}{*{20}{c}} {\begin{array}{*{20}{c}} {{r_{{\text{goal,}}}}} \\ {{r_{{\text{coll,}}}}} \\ {v - \left| \omega \right| - {r_{{\text{obs,}}}}} \end{array}}&{\begin{array}{*{20}{c}} {{\text{到达目标;}}} \\ {{\text{发生碰撞;}}} \\ {{\text{其他.}}} \end{array}} \end{array}} \right. $

式中：${r_{{\text{goal}}}}$为到达目标奖励，${r_{{\text{coll}}}}$为发生碰撞奖励，${r_{{\text{obs}}}}$为障碍物距离奖励.

(14)$ {r}_{{\mathrm{obs}}}=\left\{ \begin{array}{cc}1-{d}_{\text{min},}& {d}_{\text{min}} < 1;\\ 0,& {d}_{\text{min}}\geqslant 1.\end{array} \right.$

式中：${d_{{\text{min}}}}$为当前激光雷达数据检测到的最近障碍物距离.

奖励函数引导机器人在躲避障碍物的同时朝着目标点移动，促使机器人在行驶过程中保持较大的$v$和较小的$\omega $.

长短期记忆神经网络是RNN的衍生版本，具有特殊的网络结构，这种结构有利于避免RNN中长期依赖的问题. 在单个LSTM单元中，包括3个门结构，分别为遗忘门、记忆门与输出门. 其中遗忘门能够选择新输入信息${{\boldsymbol{x}}_t}$和上一时刻隐藏层状态${{\boldsymbol{h}}_{t - 1}}$中的不重要信息进行遗忘，记忆门的作用是选择${{\boldsymbol{x}}_t}$和${{\boldsymbol{h}}_{t - 1}}$中的重要信息进行保留. 这2个门主要用来更新LSTM单元的内部状态. 输出门是根据当前时刻输入和网络内部状态${\boldsymbol{c}}$计算得到当前时刻的输出. 具体的网络结构^[26]如图4所示.

在无地图导航算法中引入LSTM，以处理机器人的状态信息. 每一时刻LSTM网络输入机器人的当前状态和过往状态信息$\left( {{{{\boldsymbol{h}}}_{t - 1}},{{{\boldsymbol{c}}}_{t - 1}}} \right)$. 经过LSTM遗忘门、记忆门与输出门处理后，得到$\left( {{{\boldsymbol{h}}_t},{{\boldsymbol{c}}_t}} \right)$. 最后将$\left( {{{\boldsymbol{h}}_t},{{\boldsymbol{c}}_t}} \right)$送到Actor网络和Critic网络中的全连接层. 具体的状态序列数据流如图5所示.

在Actor网络和Critic网络都添加LSTM，对输入状态进行处理. 借助LSTM独特的神经网络结构，可以选择性地遗忘和保留路径规划过程中的历史信息，改善TD3算法对历史信息的理解能力. 具体的网络结构如图6所示.

为了验证提出的DWA-LSTM TD3算法在机器人无地图环境路径规划的有效性，在Gazebo环境下开展实验. 搭建环境如图7所示，其中包括训练场景（见图7(a)）、2个测试场景（见图7(b)、(c)）. 图中，方块物体表示障碍物，白色表示墙体，右上角圆点表示机器人目标点，黑色表示机器人本体. 实验任务是驱动机器人从起点出发，移动到给定目标终点，并且避开所有障碍物和墙体. 在训练场景中，每次起点和目标点都会随机分配. 在2个测试场景中，起点坐标均为$\left( { - 3, - 4} \right)$，目标点坐标均为$\left( {4,4} \right)$，以便对比观察实验结果.

深度强化学习常需要大量训练数据的支持，基于实际硬件平台直接进行训练，可能会对硬件设备造成无法挽回的损坏. 在Gazebo构建Pioneer P3-DX机器人仿真环境，搭载激光雷达传感器，基于ROS Melodic实现算法设计和仿真验证. 网络训练平台为Ubuntu18.04，程序编写主要通过PyTorch完成. 系统内存为16 GB，处理器为Intel Core i5-12400F，显卡为RTX3060Ti、8 GB显存. 参考现有导航算法^[10,12-13]的参数设定，针对DWA-LSTM TD3算法进行参数微调. 根据任务场景的复杂度，将每回合最大时间步调整为500步. 为了保证训练数据充足以降低过拟合风险，将经验池大小设置为${10^6}$. 将策略噪声设置为0.2，提高策略网络的鲁棒性，最终的网络超参数设定如表1所示.

将提出算法与经典的DDPG、PPO、TD3算法进行比较与消融实验. 在训练场景中，分别对DWA-LSTM TD3、DDPG、PPO、TD3、DWA-TD3、LSTM-TD3进行训练，训练规则如下：在不与障碍物发生碰撞的前提下，500步之内到达终点视为任务完成. 各算法的训练结果如图8所示. 图中，N_i为迭代次数. 在训练初期5 000回合之前，提出方法的学习效率更高，这是DWA算法初期阶段的引导效果. 通过初期引导可以更早地获得优质训练数据，机器人的学习速率更高. 通过LSTM网络提高智能体对导航序列信息的理解能力，所以在训练后期，提出方法具有更高的奖励值.

利用DWA引导的TD3算法，在训练初期可以获得较高的奖励，给智能体提供更加优质的经验数据，提高算法的收敛速度. 采用融合LSTM后的TD3算法，能够进一步提升奖励值，提高对经验数据的利用效率. 结合两者的优势，能够获得更加优异的效果，提升了算法的收敛速度和最终性能. 使用训练场景中获得的模型，在测试环境中进行性能实验，验证算法的性能表现与泛化能力. 在2个测试环境中各执行100回合，统计每个算法的成功率、每回合步数及每一步的平均奖励. 机器人在100步以内从起点无碰撞到达目标点即为任务成功，统计数据的结果如表2所示.

实验数据表明，与PPO算法相比，DDPG算法具有更高的成功率和更少的步数，效果更好，说明DDPG对连续的导航任务处理能力更强. 虽然TD3算法的成功率更高，但每回合步数较多，导致最终的平均奖励没有DDPG平均奖励高，说明TD3算法中引入的双Q网络的导航效率没有明显的提升，但算法的复杂度增大，导致性能衰退. 利用LSTM-TD3获得较高的成功率，但所耗费的步数多，导致获得的奖励不高，可见LSTM虽然带来了更大的网络复杂度，但对算法性能有较大的改善. DWA-TD3经过DWA的前期引导，获取优质的训练数据，所以完成任务的平均步数最少，但成功率稍低. 综合来看，DWA-LSTM TD3在成功率和步数上都比其他算法更加均衡、可靠，在本次实验中获得的平均奖励最高，可见DWA与LSTM的结合极大地提升了TD3算法的性能. 为了使实验结果更加清晰直观，在Gazebo仿真环境中搭建可视化模型，将机器人路径实时投影到地图中.

在测试场景1中，利用4种算法，均实现了从起点到终点的路径规划. 在无先验地图的环境下，利用DDPG算法，绕到右侧，虽然成功到达，但路线过于复杂. PPO算法和TD3算法的路径不够平滑，转向角波动过大. DWA-TD3与LSTM-TD3的轨迹较TD3更合理，说明DWA和LSTM均对TD3算法具有正向影响. 提出算法相较于其他对比方法有更加平滑、合理的路径，在路径长度方面有一定的优势. 测试场景1的实验可视化结果如图9所示.

上述轨迹中的具体数据如表3所示. 可以看出，DDPG与PPO方法在该场景下的耗费步数较多，DWA-TD3算法较原始TD3算法获得了平均速度的提升，虽然所得的路径不够高效，但由于DWA引导的作用，平均速度大，步数耗费最少. LSTM-TD3算法的步数耗费较多，但经过LSTM对导航信息处理能力的增强，可以看出，利用LSTM-TD3算法获得的轨迹更平滑. DWA-LSTM TD3算法在步数与平均速度上均具有不错的效果，可见两者同时与TD3结合能够为TD3算法带来更大的提升，以更加高效的方式完成导航任务.

测试场景1全部由离散障碍物组成. 在测试场景2中增添大型的连续障碍物，利用同样的方法进行分析实验. 由可视化结果可以看出，提出方法具有更加平滑、有效的路径. 从2种不同环境中的测试结果可知，算法具有可泛化性，在不同环境中均具有优秀的表现.

具体数据如表4所示. DDPG在平均速度方面表现良好，但从图10可以看出，轨迹出现绕路的情况，可见算法的稳定性弱. 由于PPO算法对连续任务的处理能力较弱，得到的轨迹较复杂，导致最终耗费195步才到达终点. TD3算法的平均速度比DWA-LSTM TD3略大，但总耗费步数过多. 利用DWA-TD3算法与LSTM-TD3算法获得了不错的导航路径，说明DWA与LSTM均提升了TD3算法的性能. LSTM-TD3算法的步数耗费过高，DWA-TD3算法的角速度不够稳定，因此DWA-LSTM TD3算法具备更高的效率和稳定性，可以获得最全面的导航效果.

通过对角速度数据进行分析，如图11、12所示. 可以看出，利用各方法得到的角速度分散程度差异很大. 场景1的实验数据如图11所示，利用DWA-LSTM TD3算法得到的角速度基本为$( - 0.5\sim 0.5)\;{{{\mathrm{rad}}} /{\mathrm{s}}}$.

从图12可以看出，在场景2中，利用DWA-LSTM TD3算法得到的角速度为$( - 0.3\sim 0.2)\;{{{\mathrm{rad}}} / {\mathrm{s}}}$. 相比之下，利用其他算法得到的角速度显著超出$ - 0.5\sim 0.5$ rad/s. 与其他方法相比，DWA-TD3和LSTM-TD3的运动稳定性均有提升，DWA算法从提升样本质量的角度使TD3算法获得训练效果的提升，LSTM提升了TD3对导航连续信息的处理能力，将两者结合得到了更加优异的效果. 结果表明，DWA-LSTM TD3算法具有更好的稳定性，更适合在高速移动或大负载的情况下，通过规划合理、稳定的路径，提高机器人运动的安全性.

通过上述实验发现，LSTM、DWA引导模块在与TD3算法融合后皆有增益，两者融合可以获得更稳定、均衡的导航表现. LSTM通过独特的网络结构，提高算法对导航经验数据的利用效率，解决智能算法对训练数据需求大的问题. 导航是连续任务，LSTM的引入提升了网络对导航连续信息的理解能力，帮助智能体充分参考前序信息做出更加合理的导航决策. DWA引导模块从另一个方面帮助算法的训练，当训练模型初期无法获得优质数据时，引导TD3算法模型获得优质经验，从根源上提升了训练效率. 最终两者与TD3算法结合，训练效率与导航效果得到均衡的提升.

本文提出DWA-LSTM TD3算法，通过构建动作选择器并采用DWA对训练过程进行引导，帮助算法在训练不完全阶段获取更多的优质训练数据，确保一定的探索比例，在提升算法训练效率的同时，保证算法的导航效果. 为了进一步提升对导航连续信息的处理能力，在算法中引入LSTM，构建含有LSTM的Actor和Critic网络，使算法能够充分参考前序导航信息，做出最优的导航决策. 本文构建基于Gazebo的可视化环境，搭建多个场景供训练与实验. 实验结果表明，该算法的导航任务成功率相较于其他主流算法有所提升，得益于DWA和LSTM融合对算法连续信息处理能力的提高. 每次任务所需的平均步数更少，且任务过程中角速度的波动范围明显缩小，说明运动稳定性更好，因此本研究算法在导航任务的安全性与稳定性上皆获得更好的效果，但即使是采用提出的改进TD3算法模型，测试成功率也仅有91%. 在缺失全局地图的情况下，本研究与实现高效导航任务的目标尚有差距，在算法优化、实时性提升、路径规划精度等方面存在改进的空间.