基于陆地测试平台的多智能体检测中深度强化学习的稳定性分析
机器人学
2025-03-04 v1 系统与控制
系统与控制
摘要
航天任务中自主系统的设计与部署需要可靠的解决方案，以满足严格的可靠性约束、长时间运行和通信挑战。本研究评估了一种用于多智能体卫星检测任务的分层深度强化学习（DRL）框架的稳定性和性能。该框架将高层引导策略与底层运动控制器相结合，实现了可扩展的任务分配和高效的轨迹执行。在本地协作卫星智能网络（LINCS）测试平台上进行的实验评估了该框架在不同保真度水平下的性能，从仿真环境到信息物理测试平台。关键指标，包括任务完成率、行驶距离和燃料消耗，在面对传感器噪声、动态扰动和运行保障（RTA）约束等现实世界不确定性时，突显了该框架的鲁棒性和适应性。结果表明，分层控制器有效弥合了仿真到现实的差距，在适应现实世界环境复杂性的同时保持了较高的任务完成率。这些发现验证了该框架在支持未来航天任务自主卫星运行方面的潜力。
引用
@article{arxiv.2503.00056,
title = {Stability Analysis of Deep Reinforcement Learning for Multi-Agent Inspection in a Terrestrial Testbed},
author = {Henry Lei and Zachary S. Lippay and Anonto Zaman and Joshua Aurand and Amin Maghareh and Sean Phillips},
journal= {arXiv preprint arXiv:2503.00056},
year = {2025}
}