面向水下机器人的跨平台基于学习的容错浮升控制器
机器人学
2025-10-10 v1
摘要
本文提出一种 novel cross-platform fault-tolerant surfacing controller for underwater robots，基于强化学习 (RL)。不同于传统方法需要显式识别故障执行器，我们的方法允许机器人仅使用剩余 operational 执行器即可完成浮升，而无需确定具体故障。该控制器学习得到的鲁棒策略能够处理跨不同执行器配置的多样化故障情形。此外，我们引入迁移学习机制，在各种具有不同执行器的水下机器人之间共享部分控制策略，从而提高学习效率和跨平台泛化能力。为验证我们的方法， 我们在三种不同类型的水下机器人上进行仿真测试：悬停型 AUV、鱼尾形 AUV 以及龟形机器人 (U-CAT)。此外，还在受控环境中进行了实际测试，成功地将仿真中学习到的策略迁移到实体 U-CAT 上。我们的 RL 基于控制器在稳定性和成功率方面均优于基线控制器，在实际测试中实现了 85.7% 的成功率，而基线控制器仅为 57.1%。该研究为面向多样化水下平台的容错控制提供了可扩展且高效的解决方案，具有潜在的实际水下任务应用价值。
引用
@article{arxiv.2502.07133,
title = {Cross-platform Learning-based Fault Tolerant Surfacing Controller for Underwater Robots},
author = {Yuya Hamamatsu and Walid Remmas and Jaan Rebane and Maarja Kruusmaa and Asko Ristolainen},
journal= {arXiv preprint arXiv:2502.07133},
year = {2025}
}
备注
Accepted in 2025 international Conference on Robotics & Automation (ICRA)