基于强化学习的海洋环境物体操控
机器人学
2024-06-06 v1
摘要
在海洋领域执行干预任务对于安全和操作效率至关重要。不可预测且动态的海洋环境使得诸如物体操控等干预任务极具挑战性。本研究提出了一种鲁棒的解决方案，用于在存在海浪引起的扰动的情况下，从码头进行物体操控。为了解决这个具有挑战性的问题，我们应用了一种基于深度强化学习（DRL）的算法，称为软演员-评论家（SAC）。SAC采用演员-评论家框架；演员学习一个最小化目标函数的策略，而评论家评估学到的策略并提供反馈以指导演员的学习过程。我们使用PyBullet动态模拟器训练智能体，并在一个名为MBZIRC海事模拟器的逼真模拟环境中进行测试。该模拟器允许根据世界气象组织（WMO）海况代码模拟不同的波浪条件。模拟结果表明，从码头取回物体的成功率很高。根据WMO海况代码，当在存在海况2特征波浪的模拟环境中应用时，训练好的智能体达到了80%的成功率。
引用
@article{arxiv.2406.03223,
title = {Object Manipulation in Marine Environments using Reinforcement Learning},
author = {Ahmed Nader and Muhayy Ud Din and Mughni Irfan and Irfan Hussain},
journal= {arXiv preprint arXiv:2406.03223},
year = {2024}
}
备注
8 pages