面向自主与可持续船舶导航的现实课程强化学习
机器学习
2026-01-19 v1
摘要
可持续性在海事运输中正变得日益关键,涵盖环境影响和社会影响,如温室气体(GHG)排放和航行安全。传统船舶导航严重依赖人类经验,通常缺乏自主性和排放意识,且易受人为错误影响从而危及安全。在本文中,我们提出了一种课程强化学习(CRL)框架,该框架集成了现实的、数据驱动的船舶仿真环境和基于机器学习的油耗预测模块。该仿真环境使用真实船舶运动数据构建,并通过 Diffusion Model 增强以模拟动态海事条件。船舶油耗使用历史运行数据和基于学习的回归进行估计。周围环境被表示为基于图像的输入以捕捉空间复杂性。我们设计了一个轻量级的基于策略的 CRL 智能体,其具有综合考虑安全性、排放、及时性和目标完成情况的综合奖励机制。该框架在连续动作空间中逐步处理复杂任务,同时确保稳定和高效的学习。我们在印度洋某海域验证了所提出的方法,证明了其在实现可持续和安全的船舶导航方面的有效性。
引用
@article{arxiv.2601.10911,
title = {Realistic Curriculum Reinforcement Learning for Autonomous and Sustainable Marine Vessel Navigation},
author = {Zhang Xiaocai and Xiao Zhe and Liang Maohan and Liu Tao and Li Haijiang and Zhang Wenbin},
journal= {arXiv preprint arXiv:2601.10911},
year = {2026}
}
备注
Present in The 40th Annual AAAI Conference on Artificial Intelligence (AAAI-26)