路径规划是人工智能领域的一个重要研究领域,在国防军事、交通运输、机器人导航等诸多领域有着广泛的应用。目前就这一领域的研究也已经涌现出了许多的研究成果,但是已有的研究多基于人工建立环境的基础上,人为的为模型提供环境数据来完成模型的训练。强化学习是一种无需人工提供训练数据的机器学习方式,随着近年来深度学习的发展,结合了深度学习与强化学习的深度强化学习方法获得了极大地发展和应用,Alpha Go,Aopha Zero的的出现展示了深度强化学习的广阔应用前景。本文将深度强化学习方法应用在应急逃生路径规划领域。首先,本文提出了一种分布式优先级经验置换的深度强化学习策略。该策略采用集中式学习、分布式执行的训练方式,既提高了训练速度,分布式的数据采集也保证了记忆库中样本更具代表性。再者该策略通过样本数据在参与模型训练时的产生的损失值为样本数据作为样本数据的权重,依该权值采用小根堆的数据结构构建记忆库,随着智能体在环境中执行动作,不断的用新的样本数据替换记忆库堆顶的样本,并通过小根堆自主的结构调整使得堆顶始终为优先级价值最高,即相对于模型价值最低的数据,通过这种方式保证了记忆库中的样本对模型具有较高的价值。而后该策略采用基于堆层序数的优先级采样方式进行采样,解决了模型训练过程容易被个别异常数据所左右的问题。其次,本文提出了一种结合了LSTM的DDPG路径规划算法。在进行路径规划时,该算法以环境图像作为输入以最大限度的保留环境的原始特征信息,通过预训练的图像编码器对环境图像进行降维编码,而后传递到后续过程执行后续操作。通过在深度强化学习框架DDPG中结合LSTM网络,使得该算法具有了处理可以处理动态变化的环境数据,以连续的图像帧数据作为强化学习问题中的一个状态,同时作为时序数据作为该算法的输入,模型产生的结果将能参考前序信息,实现了更高效的动作选择。通过DDPG框架作为环境回报与动作选择的处理策略,最终实现了对对环境预测基础上的动态路径规划。最后,本文结合Unity 3D引擎构建了应急逃生路径规划仿真平台,通过面向对象的设计模式完成了对环境中的实体控制。并将本文提出的DPES策略和LSTM-DDPG算法在仿真平台上进行实验,验证了平台的可用性并进一步证明了本文提出的策略、方法在解决应急逃生路径规划问题时的能力。