面向自主海底礁区监测的情境化多任务强化学习
机器人学
2026-04-15 v1 人工智能
摘要
尽管自主 underwater 车辆承诺着实现海洋生态系统监测的能力，但其部署本质上受限于控制车辆处于高度不确定和非平稳的水下动力学条件的困难。为此，我们采用数据驱动的强化学习方法来补偿未知的动力学和任务变异。传统的单任务强化学习倾向于过度拟合训练环境，从而限制所学策略的长期有用性。因此，我们提出使用情境化多任务强化学习范式，使我们能够学习可复用的控制器，用于各种任务，例如在一个礁区检测牡蛎，在另一个礁区检测珊瑚。我们评估了情境化多任务强化学习是否能够高效学习自主海底礁区监测的鲁棒和可泛化控制策略。我们训练了一个单一的情境依赖策略，能够在 HoloOcean 中的模拟礁区环境中解决多个相关监测任务。在我们的实验中，我们经验性地评估了情境策略的样本效率、对不可见任务的零样本泛化以及对不同水流的鲁棒性。通过利用多任务强化学习，我们旨在提高训练的有效性以及所学策略的可复用性，以迈向更可持续的自主海底礁区监测流程。
引用
@article{arxiv.2604.12645,
title = {Contextual Multi-Task Reinforcement Learning for Autonomous Reef Monitoring},
author = {Melvin Laux and Yi-Ling Liu and Rina Alo and Sören Töpper and Mariela De Lucas Alvarez and Frank Kirchner and Rebecca Adam},
journal= {arXiv preprint arXiv:2604.12645},
year = {2026}
}
备注
To be published in IEEE OCEANS 2026 (Sanya) conference proceedings