基于深度强化学习的欠驱动自主水下机器人路径跟踪控制
《Sensors》:Deep Reinforcement Learning-Based Path-Following Control for Underactuated Autonomous Underwater Vehicles
【字体:
大
中
小
】
时间:2026年07月18日
来源:Sensors 4.0
摘要
自主水下航行器在路径跟踪控制方面面临诸多挑战,这主要是由于强烈的环境干扰和模型不确定性所致。为解决这些问题,本文提出了一种无模型深度强化学习框架,名为ILLT(改进型LOS-LSTM-TD3),该框架将积分式视距引导法则与双延迟深度确定性策略梯度(TD3)算法相结合。该框架将视距前瞻距离视为可学习的优化变量,并利用LSTM网络来捕捉时间上的运动规律。此外,还采用了逐步解冻的迁移学习策略,结合基于注意力的特征与当前状态融合技术,以提高在不同海流条件下的领域适应能力。仿真结果表明,与基准的ILT算法相比,ILLT可使平均横向误差降低48.5%,与传统PID控制相比则可降低66.4%,同时在目标场景中的收敛速度也更快。在水池和湖泊环境中的实际实验进一步验证了该算法的可行性和稳定性,在适度水流条件下,其跟踪误差与仿真结果相当。这些研究结果证明了所提框架在欠驱动自主水下航行器路径跟踪任务中的有效性。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号