用于基于强化学习的避碰中外感受知觉的变分自编码器
机器学习
2024-04-02 v1 机器人学
摘要
现代控制系统正越来越多地转向机器学习算法以提升其性能和适应性。在此背景下，深度强化学习（Deep Reinforcement Learning, DRL）作为一种极具前景的控制框架出现，尤其在海洋运输领域。其在自主海洋应用中的潜力在于能够将路径跟随和避碰与任意数量的障碍物无缝结合。然而，当可搜索参数空间变大时，与所提出的控制问题相比，当前的 DRL 算法需要消耗极其庞大的计算资源才能找到近最优策略。为了解决这一问题，我们的工作深入研究了变分自编码器（Variational AutoEncoders, VAEs）的应用，以获取高保真测距传感器的广义低维潜在编码，该编码作为 DRL 智能体的外感受输入。智能体的性能（包括路径跟随和避碰）在随机仿真环境中进行了系统测试和评估，全面探索了我们提出的海洋控制系统方法。
引用
@article{arxiv.2404.00623,
title = {Variational Autoencoders for exteroceptive perception in reinforcement learning-based collision avoidance},
author = {Thomas Nakken Larsen and Eirik Runde Barlaug and Adil Rasheed},
journal= {arXiv preprint arXiv:2404.00623},
year = {2024}
}