用于自主航行器纯测距水下目标定位的强化学习路径规划方法
机器人学
2023-01-18 v1 机器学习
系统与控制
系统与控制
摘要
近年来，使用自主航行器进行纯测距和单信标（ROSB）技术的水下目标定位已被用于改善长基线和超短基线系统等更复杂方法的局限性。尽管如此，在 ROSB 目标定位方法中，跟踪航行器在靠近被定位目标附近的轨迹对于获得最佳的预测目标位置精度起着重要作用。在此，我们研究了一种强化学习（RL）方法，以寻找自主航行器应遵循的最优路径，从而提高并优化预测目标定位的整体精度，同时减少时间和功耗。为了实现这一目标，使用最先进的深度强化学习算法设计了不同的实验测试。我们的研究还将所得结果与以往研究中使用的解析 Fisher 信息矩阵方法进行了比较。结果表明，RL 智能体学习到的策略优于基于这些解析解的轨迹，例如，在目标定位开始时，预测误差中位数减少了 17%。这些发现表明，使用深度强化学习定位声学目标可以成功应用于包括自主水下航行器跟踪声学标记海洋动物在内的水下应用。这被视为验证使用强化学习解决此类问题的必要第一步，未来可将其应用于更复杂的场景中。
引用
@article{arxiv.2301.06863,
title = {A reinforcement learning path planning approach for range-only underwater target localization with autonomous vehicles},
author = {Ivan Masmitja and Mario Martin and Kakani Katija and Spartacus Gomariz and Joan Navarro},
journal= {arXiv preprint arXiv:2301.06863},
year = {2023}
}
备注
Accepted at CASE2022. Code at this Github repository https://github.com/imasmitja/RLforUTracking