基于情景树模型预测控制的自主水面艇强化学习控制
系统与控制
2021-10-26 v3 系统与控制
摘要
在本文中，我们提出基于鲁棒模型预测控制(RMPC)的强化学习(RL)用于自主水面艇(ASV)的控制。该RL-MPC策略用于避障与目标（设定点）跟踪。采用情景树鲁棒MPC来处理船舶推进器潜在的故障。此外，风与海流在实际系统中被视为未知随机扰动，通过约束紧缩来处理。紧缩量与其他代价参数由RL使用Q-learning技术进行调整。考虑了一种经济性代价，以最小化完成船舶任务所需的时间和能量。该方法在缩比版Cybership 2的非线性3自由度模型上通过仿真进行了说明。
引用
@article{arxiv.2103.11949,
title = {Reinforcement Learning based on Scenario-tree MPC for ASVs},
author = {Arash Bahari Kordabad and Hossein Nejatbakhsh Esfahani and Anastasios M. Lekkas and Sébastien Gros},
journal= {arXiv preprint arXiv:2103.11949},
year = {2021}
}
备注
This paper has been accepted to 2021 American Control Conference (ACC). 6 pages, 9 figures