热湍流环境中以最小能耗进行长距离迁移

我们采用强化学习算法训练自驱动智能体在热湍流环境中进行长距离迁移。我们选择宽高比（$\Gamma$，定义为腔体长度与高度之比）为2的Rayleigh-Bénard热对流腔作为训练环境。结果表明，与从起点直线移动到终点的朴素智能体相比，智能智能体能够学会利用载体流来节省推进能量。随后，我们应用从$\Gamma=2$腔体中获得的最优策略，测试智能智能体在$\Gamma$高达32的对流腔中的迁移表现。在更大的$\Gamma$腔体中，水平堆叠涡卷的主导流模态稳定性较差，高阶流模态所含能量增加。我们发现，优化后的策略可以成功推广到具有更大$\Gamma$的对流腔中。此外，智能智能体消耗的推进能量与朴素智能体消耗的推进能量之比随$\Gamma$的增大而减小，表明在更大的$\Gamma$腔体中，智能智能体可以节省更多的推进能量。我们还评估了当智能体从随机选择的起点释放时优化策略的表现，旨在测试该学习框架的鲁棒性，并提出了提高成功率的可能解决方案。这项工作对长距离迁移问题具有启示意义，例如在湍流对流环境中巡逻的无人机，规划节能轨迹有助于延长其续航时间。