PulseAugur
中
实时 13:52:03
English(EN) Towards End to End Motion Planning and Execution for Autonomous Underwater Vehicles Using Reinforcement Learning

深度强化学习系统实现水下航行器端到端运动规划

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员开发了一个面向自主水下航行器（AUVs）的端到端深度强化学习系统，该系统可将原始传感器数据直接映射到推进器指令。这种分层方法将任务分解为高级目标生成和低级指令执行，并使用RLPD和SAC with HER等方法进行训练。在模拟环境中进行评估，该系统在避障方面表现有效，并且对传感器噪声具有鲁棒性，但在泛化到新颖障碍物形状方面显示出局限性。 AI

影响 展示了一条简化AUV控制系统并在复杂水下环境中提高导航能力的有希望的途径。

排序理由 这是一篇研究论文，详细介绍了使用深度强化学习（DRL）对AUV进行运动规划的新方法。

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

报道来源 [2]

  1. arXiv cs.LG TIER_1 English(EN) · Elisei Shafer, Oren Gal ·

    利用强化学习实现自主水下航行器的端到端运动规划与执行

    arXiv:2606.08513v1 Announce Type: cross Abstract: Autonomous Underwater Vehicles (AUVs) traditionally rely on complex, heavily engineered pipelines for perception, path planning, and motion control. This paper explores the feasibility of an end-to-end Deep Reinforcement Learning …

  2. arXiv cs.LG TIER_1 English(EN) · Oren Gal ·

    利用强化学习实现自主水下航行器的端到端运动规划与执行

    Autonomous Underwater Vehicles (AUVs) traditionally rely on complex, heavily engineered pipelines for perception, path planning, and motion control. This paper explores the feasibility of an end-to-end Deep Reinforcement Learning (DRL) approach that maps raw sensor data directly …

相关实体

相关话题