实地测试中自主水面航行器深度强化学习控制的鲁棒性评估
机器人学
2025-06-06 v2 机器学习
摘要
尽管深度强化学习 (DRL) 在自主水面航行器 (ASV) 领域取得了显著进展，但其在真实世界条件下的鲁棒性，特别是对外部扰动的应对能力，仍未被充分探索。本文评估了一个用于捕获漂浮废弃物的 DRL 智能体在各种扰动下的韧性。我们采用域随机化训练该智能体，并在真实世界实地测试中评估其性能，考察其处理非对称阻力和偏心载荷等意外扰动的能力。我们在仿真和真实实验两种条件下评估了智能体在这些扰动下的性能，定量分析了性能退化并与模型预测控制 (MPC) 基线进行了对比。结果表明，DRL 智能体在显著扰动下仍能可靠运行。除开源发布实现代码外，我们提供了关于有效训练策略、真实世界挑战以及部署 DRL 基 ASV 控制器实际考量方面的见解。
引用
@article{arxiv.2505.10033,
title = {Evaluating Robustness of Deep Reinforcement Learning for Autonomous Surface Vehicle Control in Field Tests},
author = {Luis F. W. Batista and Stéphanie Aravecchia and Seth Hutchinson and Cédric Pradalier},
journal= {arXiv preprint arXiv:2505.10033},
year = {2025}
}
备注
Presented at the 2025 IEEE ICRA Workshop on Field Robotics