基于集成感知的强化学习控制仿真到真实迁移与鲁棒性评估——应用于浮动废物捕获的自动表面舰船
机器人学
2026-05-05 v1
摘要
浮动废物捕获的自主表面舰船需在多变的水动力学、外部扰动以及挑战性的水面感知环境中工作。我们提出了一个经现场验证的系统，将基于摄像机的极化感知与轻量级 DRL 控制器相结合，用于浮动废物检测与捕获。摄像机检测结果被转换为水面目标点并由控制器跟踪，该控制器在完全基于仿真训练后直接部署在改装后的 ASV 平台上。我们的主要贡献是一种仿真到真实测试方法，结合两阶段仿真程序与感知抽象模块，后者旨在模拟真实相机行为，实现可复现的现场试验并显式评估仿真到真实的差距。我们在 14 种扰动情景下对该框架进行匹配的仿真与现场实验，以暴露失效模式并评估鲁棒性。结果表明终端精度达到厘米级，表明在所评估的扰动情景下控制性能稳健。主要的性能下降来源于执行模型保真度不足。我们还展示了在面积可达 的实际条件下使用真实相机检测进行搜索与捕获系统。该研究提炼出实用经验教训，以实现可靠迁移，包括改进执行模型保真度、针对性域随机化以及严格管理跨模块的延迟和时间戳，同时指出了剩余挑战。
引用
@article{arxiv.2605.02529,
title = {Sim-to-Real Transfer and Robustness Evaluation of Reinforcement Learning Control with Integrated Perception on an ASV for Floating Waste Capture},
author = {Luis F. W. Batista and Stéphanie Aravecchia and Cédric Pradalier},
journal= {arXiv preprint arXiv:2605.02529},
year = {2026}
}