PulseAugur
中
实时 06:42:48
English(EN) Power-Budgeted Underwater Vehicle Control via Constrained Reinforcement Learning

新的强化学习方法优化水下航行器动力预算

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种新的水下航行器控制方法，通过将功耗视为明确的约束来优先考虑能源效率。该方法使用约束马尔可夫决策过程和PPO-Lagrangian算法，允许用户以物理单位设置特定的动力预算。在MarineGym模拟器中的各种航行器和任务中，该方法成功地将功耗降低了14-65%，同时保持了任务的准确性和平稳性，为能源高效的水下作业提供了一种无需调整的解决方案。 AI

影响 这项研究为控制自主水下航行器提供了一种更有效的方法，有可能延长任务范围并实现新的应用。

排序理由 这是一篇详细介绍特定应用新算法的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新的强化学习方法优化水下航行器动力预算

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Yuze Liu ·

    Power-Budgeted Underwater Vehicle Control via Constrained Reinforcement Learning

    Underwater vehicles operate from a fixed onboard energy budget that propulsion rapidly depletes, so a controller that completes its task while drawing less thruster power directly extends mission range and endurance. Reinforcement learning yields capable model-free controllers fo…

相关实体

相关话题