基于启发式运动记忆的上下文感知行为学习在水下操作中的应用

自主运动规划对于动态海洋环境中高效且安全的水下操作至关重要。当前的运动规划方法往往无法有效利用先前的运动经验并适应水下环境中固有的实时不确定性。在本文中，我们引入了一种自适应启发式运动规划器框架，该框架将启发式运动空间（HMS）与贝叶斯网络相结合，以增强自主水下操作的运动规划。我们的方法在 HMS 内采用概率路线图（PRM）算法，通过最小化综合考虑距离、不确定性、能耗和执行时间的复合成本函数来优化路径。通过利用 HMS，我们的框架显著缩小了搜索空间，从而提升了计算性能并实现了实时规划能力。贝叶斯网络被用于根据实时传感器数据和环境条件动态更新不确定性估计，从而优化路径成功的联合概率。通过广泛的仿真和真实世界测试场景，我们展示了我们的方法在增强性能和鲁棒性方面的优势。这种概率方法显著提升了自主水下机器人的能力，确保在面对动态海洋挑战时实现优化的运动规划。