基于分布式鲁棒强化学习的扰动缓解无人表面车导航
机器人学
2025-12-02 v1 人工智能
摘要
在面对未知和复杂海洋环境时，不联合表面车（USV）的鲁棒性至关重要，尤其是当异质性观测噪声对基于传感器的导航任务构成重大挑战时。最近，分布式强化学习（DistRL）在某些具有挑战性的自主导航任务中展现出前景的成绩，尤其是在没有先验环境信息的情况下。然而，这些方法忽略了噪声模式在不同环境条件下变化的情况，这会妨碍安全导航并干扰价值函数的学习。为此，我们提出了DRIQN，将分布式鲁棒优化（DRO）与隐式分位网络集成，以优化在自然环境条件下的最坏情况性能。通过在回放缓冲区中采用显式子组建模，DRIQN 融合了异构噪声来源和目标鲁棒性关键情景。基于风险敏感环境的实验结果表明，DRIQN 相对于领先的方法实现了显著的性能提升，成功率提升13.51%，碰撞率降低12.28%，时间节省35.46%，能源节省27.99%。
引用
@article{arxiv.2512.00030,
title = {Perturbation-mitigated USV Navigation with Distributionally Robust Reinforcement Learning},
author = {Zhaofan Zhang and Minghao Yang and Sihong Xie and Hui Xiong},
journal= {arXiv preprint arXiv:2512.00030},
year = {2025}
}