PulseAugur
中
实时 07:15:34
English(EN) Average-Power-Budgeted Underwater Vehicle Control via Constrained Reinforcement Learning

新的强化学习方法优化水下航行器功率预算

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种新颖的方法来控制水下航行器，将能源效率直接整合到强化学习过程中。该方法将控制构建为约束马尔可夫决策过程，允许以物理单位设置明确的功率预算。使用 PPO-Lagrangian 算法来解决这个问题，并在线更新对偶变量，以满足每个特定航行器和任务的预算。在 MarineGym 模拟器中的测试表明，与仅关注任务准确性的基线相比，在各种航行器和任务中，功率显著降低了 14-65%，同时保持了平稳运行和任务准确性。 AI

影响 这项研究提供了一种无需调优即可实现水下航行器能效控制的方法，有望延长任务范围和续航时间。

排序理由 该集群包含一篇详细介绍新强化学习方法的学术论文。[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功率预算

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Yinuo Wang, Gavin Tao, Yuze Liu, John V. Ringwood ·

    Average-Power-Budgeted Underwater Vehicle Control via Constrained Reinforcement Learning

    arXiv:2606.25680v2 Announce Type: replace-cross Abstract: 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. Reinf…

相关实体

相关话题