PulseAugur
中
实时 10:14:18
English(EN) Critic-Free Deep Reinforcement Learning for Maritime Coverage Path Planning on Irregular Hexagonal Grids

无批评者深度强化学习框架优化海上路径规划

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种新颖的无批评者深度强化学习（DRL）框架，用于不规则六边形网格上的海上覆盖路径规划。该方法利用基于Transformer的指针策略来构建最优覆盖路线，克服了传统分解方法的局限性。该系统在合成环境中实现了99.1%的汉密尔顿成功率，在路径效率和航向改变方面优于启发式基线，并且推理时间适合实时船载部署。 AI

影响 这种无批评者DRL方法可以通过改进路径规划能力，实现更高效、更自主的海上作业。

排序理由 详细介绍AI新方法的学术论文。[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 →

无批评者深度强化学习框架优化海上路径规划

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Carlos S. Sep\'ulveda, Gonzalo A. Ruz ·

    用于不规则六边形网格海上覆盖路径规划的无批评深度强化学习

    arXiv:2603.28385v2 Announce Type: replace-cross Abstract: Maritime surveillance missions, such as search and rescue and environmental monitoring, rely on the efficient allocation of sensing assets over vast and geometrically complex areas. Traditional Coverage Path Planning (CPP)…

相关实体

相关话题