基于深度强化学习的 ASV 导航框架与方法：缩小仿真到现实的差距
机器人学
2024-07-12 v1
摘要
尽管深度强化学习 (Deep Reinforcement Learning, DRL) 正在越来越多地用于自主表面车辆 (Autonomous Surface Vehicles, ASVs)，但仍存在限制实际部署的挑战。本文首先将浮力和水动力模型集成到现代强化学习框架中，以减少训练时间。随后，我们展示了系统识别结合域随机化如何提高 RL 智能体性能并缩小仿真到现实的差距。针对捕获漂浮废物这一任务进行实际实验，表明我们的方法在能源消耗上降低了 13.1%，在任务完成时间上缩短了 7.4%。这些发现得益于我们分享的开源实现，具有潜在地提升 ASV 效率和灵活性，助力环境保护工作。
引用
@article{arxiv.2407.08263,
title = {A Deep Reinforcement Learning Framework and Methodology for Reducing the Sim-to-Real Gap in ASV Navigation},
author = {Luis F W Batista and Junghwan Ro and Antoine Richard and Pete Schroepfer and Seth Hutchinson and Cedric Pradalier},
journal= {arXiv preprint arXiv:2407.08263},
year = {2024}
}
备注
IROS 2024, IEEE, Oct 2024, Abu Dhabi, United Arab Emirates