面向极端海况下 AUV 的基于 LLM 增强的 RL 自适应 S 曲面控制器
机器人学
2025-10-17 v2 人工智能
摘要
自主 underwater 车（AUV）的适应性和机动能力在海洋科学研究中引起了广泛关注，因为受到不可预测扰动和 AUV 自由度之间强耦合的影响。在本文中，我们开发了大语言模型（LLM）增强的强化学习（RL）基于自适应 S 曲面控制器 for AUV。具体来说，引入 LLM 用于在 RL 训练中联合优化控制器参数和奖励函数。通过多模态和结构化的明确任务反馈，LLM 实现联合调整，平衡多个目标，并增强任务导向的性能和适应性。在提出的控制器中，RL 策略关注高层任务，输出 task-oriented 高级命令，后由 S 曲面控制器转换为控制信号，确保在极端海况下抵消非线性效应和不可预测外部扰动。在涉及复杂地形、波浪和当前的极端海况下，所提控制器在 underwater 目标跟踪和数据收集等高层任务中表现出色，优于传统 PID 和滑模控制器（SMC）。
引用
@article{arxiv.2503.00527,
title = {Never too Prim to Swim: An LLM-Enhanced RL-based Adaptive S-Surface Controller for AUVs under Extreme Sea Conditions},
author = {Guanwen Xie and Jingzehua Xu and Yimian Ding and Zhi Zhang and Shuai Zhang and Yi Li},
journal= {arXiv preprint arXiv:2503.00527},
year = {2025}
}
备注
Accepted by IEEE/RSJ IROS 2025