.png){kind=icon}
返回
A COLREGs-based path-planning method for collision avoidance considering path cost through reinforcement learning
.png){kind=icon}
PRE
AI
DOI：10.1016/j.oceaneng.2025.120746.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
自主避碰算法作为路径规划的核心要素，确保了无人水面艇（USVs）的安全航行。本文提出了一种基于国际海上避碰规则（COLREGs）的路径规划方法，该方法能够实时生成艏向参考值，并考虑通过强化学习（RL）优化路径成本。COLREGs作为水面船舶的行为准则，有助于建立整合三种典型会遇场景的会遇模型，并确定避碰任务。该路径规划方法通过RL获得自适应能力，并通过RL优化避碰路径成本，以实现更高效的避碰。路径规划方法的有效性通过仿真验证，仿真结果显示在静态避碰中实现了最优路径成本和减少的艏向距离，同时在典型会遇场景中成功完成避碰并遵守了COLREGs。
Keyword:
Unmanned surface vehicle
Autonomous systems
Path planning
Collision avoidance
Reinforcement learning
期刊
IF:
5.5
论文数:
7.3K
被引数:
7.6W
机构
暂无机构信息
引用论文
Control Barrier Function Based Quadratic Programs for Safety Critical Systems用于安全关键系统的基于控制障碍函数的二次程序
OAAI
OAAI分享收藏Multi-objective path planning for unmanned surface vehicle with currents effects考虑海流效应的无人水面艇多目标路径规划.png)
ISA TRANSACTIONSOAAI
ISA TRANSACTIONSIF6.5
OAAI分享收藏A Multi-Layered Potential Field Method for Water-Jet Propelled Unmanned Surface Vehicle Local Path Planning with Minimum Energy Consumption一种多层势场法用于水射流推进无人水面艇局部路径规划以实现最小能量消耗
OAAI
OAAI分享收藏Risk-based implementation of COLREGs for autonomous surface vehicles using deep reinforcement learning基于深度强化学习的自主水面车辆COLREGs基于风险的实现NEURAL NETWORKSOAAI
NEURAL NETWORKSIF6.3
OAAI分享收藏
查看更多内容