基于深度强化学习的船舶路径跟踪导航
系统与控制
2023-10-24 v1 系统与控制
摘要
人为因素是海上事故的重要原因，占所有报告事件的85%。通过减少船舶导航中对人工干预的需求，基于人工智能的方法有望降低事故风险。深度强化学习（DRL）等人工智能技术有潜力在受限水道和存在障碍物等挑战性条件下改善船舶导航。这是因为DRL算法能够优化路径跟踪与避碰等多个目标，同时相较于传统方法实现起来更为高效。在本研究中，使用深度确定性策略梯度（DDPG）算法训练一个DRL智能体用于路径跟踪与航点追踪。此外，将训练后的智能体与传统PD控制器结合积分视线（ILOS）制导系统的同类方法进行比较评估。本研究以Kriso集装箱船（KCS）作为测试用例来评估不同控制器的性能。船舶动力学采用操纵运动建模组（MMG）模型建模。该数学仿真用于训练基于DRL的控制器并整定传统PD控制器的增益。该仿真环境还用于评估控制器在有风条件下的有效性。
引用
@article{arxiv.2310.14932,
title = {Navigating the Ocean with DRL: Path following for marine vessels},
author = {Joel Jose and Md Shadab Alam and Abhilash Sharma Somayajula},
journal= {arXiv preprint arXiv:2310.14932},
year = {2023}
}
备注
Proceedings of the Sixth International Conference in Ocean Engineering (ICOE2023)