1.一种适用于复杂未知环境的自适应SAC‑PID方法，其特征在于，包括如下步骤：步骤一、利用机器人仿真平台搭建循线机器人的环境；

其中，机器人仿真环境包括带RGB相机的移动机器人模型和路径模型，并将移动机器人置于路径的起始位置 (x0,y0,z0)为路径起点坐标；

步骤二、基于深度强化学习Soft Actor‑Critic，简称SAC，构建深度神经网络模型；

其中，所述深度神经网络模型包括：决策网络π(φ)，状态价值函数网络V(ψ)和动作价值函数网络Q(θi)，i∈{1,2}；φ，ψ，θi分别为决策网络，状态价值函数网络和动作价值函数网络的参数；

步骤三、定义移动机器人循迹时的状态表征值；

其中，所述移动机器人状态表征值包括：轨迹中心线上均匀取由远及近的五个像素点的横纵坐标值(xi,yi)，i∈{1,2,3,4,5}；轨迹斜率和移动机器人的实时曲率之差ec；移动机器人的实时线速度vt和角速度ωt；

步骤四、在步骤一中搭建的仿真环境中训练深度神经网络模型，具体包括如下子步骤：

4.1：构建并初始化步骤二中的四个深度神经网络模型；初始化一个空的经验回放池R；

构造两个结构相同的增量PID控制器，分别为主控PID控制器和辅控PID控制器；设置回合数为n＝0，总回合数为N，令初始时刻t＝1；

4.2：利用步骤一中的RGB相机获得h×w的RGB图像It，并预处理It得到路径跟踪信息，并根据步骤三得到t时刻的状态st＝[x1,y1,x2,y2,x3,y3,x4,y4,x5,y5,ec,vt,ωt]；

4.3：将步骤4.2中的st输入决策网络π(φ)，根据式(1)输出六维PID参数Kt＝{kmp,kmi,kmd,kcp,kci,kcd},{kmp,kmi,kmd}是主控PID控制器的比例、积分和微分参数，{kcp,kci,kcd}是辅控PID控制器的比例、积分和微分参数；

其中，εt是从一个正态分布N中采样的噪声向量， 是决策网络高斯分布的均值，是决策网络高斯分布的方差；从而根据式(2)计算移动机器人的角速度：ωt＝ωt‑1+Δωm+ηΔωc  (2)其中ωt‑1是t‑1时刻的角速度，Δωm为主控PID控制器的输出，可由式(3)计算得到，Δωc为辅控PID控制器的输出，可由式(4)计算得到，η为比例系数；

Δωc＝kcp[ec(t)‑ec(t‑1)]+kciec(t)+kcd[ec(t)‑2ec(t‑1)+ec(t‑2)]  (4)其中em＝x4，em(t)，em(t‑1)和em(t‑2)分别是t，t‑1和t‑2时刻的em；ec(t)，ec(t‑1)和ec(t‑2)分别是t，t‑1和t‑2时刻的ec；

4.4：根据步骤4.3中的em(t)计算移动机器人的线速度：vt＝‑ax|em(t)|+bx  (5)其中，ax和bx为限制移动机器人线速度的系数；

4.5：移动机器人执行角速度ωt和线速度vt，记录执行动作后重复步骤4.2得到移动机器人观测的状态st+1，并根据st+1和式(6)计算奖励函数r(t)，根据式(6)记录回合结束标志F；

其中s(w)，v(w)分别是第w个回合时循迹的路程和平均速度；β1，β2，β3分别是em(t)，em(t‑1)和em(t‑2)的比例系数；ζr，ζv，ζs分别是每一项的权重系数；g为正奖励常数；

4.6：将元组(st,Kt,rt,st+1,F)存入经验回放池R中；

4.7：设定采样数量为b，当前经验回放池R中的元组数量d，若b

4.8：在R中随机采样b条元组，首先把式(7)作为损失函数，利用梯度下降算法更新状态价值函数网络V(ψ)的参数：

其中Qθ(st,Kt)为 再根据式(8)利用梯度下降算法分别更新和

是值函数网络参数ψ的平均值；最后根据式(9)利用梯度下降更新策略网络：其中 是

4.9：若F＝1，则t＝0，进入下一回合，回合数n+1，待回合数n≥N，完成训练，导出训练后的模型π(φ)，V(ψ)和Q(θi)；若F＝0，则t+1，进入步骤4.2，继续在此回合内进行交互；

步骤五、将仿真训练完成的策略网络模型参数导入实际机器人模块中，通过传感器实时获取如步骤二所述的移动机器人的状态表征值，将状态向量输入策略网络，根据式(1)得到最优的六维PID控制器参数；底层PID控制器接收上述参数，根据公式(2)和(4)输出角速度和线速度值控制移动机器人循迹。

2.根据权利要求1所述的适用于复杂未知环境的自适应SAC‑PID方法，其特征在于，步骤4.2具体包括：

S1、将RGB图像It处理为二值图像 并从图像 底部从左至右，从下至上寻找黑线边界生长点，分别为左底部边界点plb和右底部边界点prb；

S2、以步骤S1中的左底部边界点plb和右底部边界点prb为种子点，从下至上区域生长，找出图像 中黑线的左右边界像素点，在生长的过程中，需要判断边界点pij是否为黑线交叉像素点，其中i，j分别为横坐标和纵坐标值，i∈{0,…,w‑1}，j∈{0,…,h‑1}，若判断pij不是黑线交叉像素点，视pij为左边界像素点或右边界像素点并依次存入左边界像素点集合Pl和右边界像素点集合Pr；否则，则进入S3；待生长至pih‑1后停止生长；最后组成和 具体判断是否为黑线交叉像素点的规则：其中τ为pij的24邻域内的像素值总和，τ1和τ2为阈值；

S3、利用步骤S2中的Pl和Pr的边界像素点，多项式拟合至上一黑线交叉点，并将拟合后的像素点存入Pl和Pr中，最后返回步骤S2；

S4、取出Pl和Pr中像素点pl,0，pr,0，pl,1/n，pr,1/n，pl,2/n，pr,2/n，pl,3/n，pr,3/n，pl,4/n，pr,4/n，pl,n和pr,n，由此分别求得黑线中心线像素点 和其中 为pl,0和pr,0的中心点， 为pl,1/n和pr,1/n的中心点，依次类推；

S5、将步骤S3中的It经过透视变换后得到htop×wtop的俯视图It′，重复步骤S1至步骤S2，得到I′t中的左边界像素点集合 和右边界像素点集合S6、根据步骤S5中的P′l和P′r，求出I′t中黑线中心线像素点集合并选取p′c,0，p′c,2/n和p′c,n三个像素点，并求出I′t中黑线曲率cl；同时由速度传感器得到移动机器人的实时曲率cr；

S7、将五个中心线像素点归一化后组成st的前十个维度；根据式(11)求出曲率误差ec作为st的其中一个维度；

ec＝cr‑cl  (11)

将t时刻的移动机器人线速度vt和角速度ωt作为st的最后两个维度；则st表示为:st＝[x1,y1,x2,y2,x3,y3,x4,y4,x5,y5,ec,vt,ωt]  (12)并选取x4作为em。

3.根据权利要求1所述的适用于复杂未知环境的自适应SAC‑PID方法，其特征在于，移动机器人的控制框架采用分层的控制结构，深度强化学习网络模型作为移动机器人的上层控制器，负责实时调整最优的PID参数，双增量式PID控制器作为移动机器人的下层控制器，负责根据偏差信息输出移动机器人的角速度指令。