.png){kind=icon}
返回
Adaptive path planning method for multi-AUVs in complex environments
.png){kind=icon}
PRE
AI
DOI：10.1016/j.robot.2025.105290.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在现代海洋科学探索、环境保护和资源调查任务中，自主水下航行器（AUV）的应用日益广泛。然而，复杂的水下环境带来了多目标优化冲突和通信约束等挑战，特别是在高密度障碍物和动态洋流干扰的场景下。本文提出了一种分布式学习增强的双深度Q网络（DLE-DDQN）算法用于自适应路径规划，融合了深度强化学习与分布式协同优化。该算法采用改进的双深度Q网络（DDQN）架构和动态自适应奖励函数，这些组件指导AUV在未知环境中进行路径规划。同时，利用分布式学习机制在有限通信带宽下提升训练效率。实验结果表明，在障碍物高密度场景下，DLE-DDQN相较于传统的DDQN和多人智能体深度确定性策略梯度（MADDPG）方法，任务成功率提升了18.7%，路径效率提高了29.6%，响应时间减少了51.4%。通过融合环境感知与导航状态的交叉注意力机制，该算法即使在突变洋流干扰下，也能保持路径曲率稳定性，标准差低于0.15 rad/m。这些结果验证了该算法在非结构化动态环境中的鲁棒性和实时性能，确认其能够克服静态障碍物和洋流干扰，实现快速、精确的路径规划。
期刊
IF:
5.2
论文数:
729
被引数:
1.0W
机构
引用论文
Multi-AUV Collaborative Operation Based on Time-Varying Navigation Map and Dynamic Grid Model.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏
分享收藏Multi-sensor information fusion based on machine learning for real applications in human activity recognition: State-of-the-art and research challengesINFORMATION FUSION
INFORMATION FUSIONIF15.5
PREAI
分享收藏Path Planning Based on Deep Reinforcement Learning for Autonomous Underwater Vehicles Under Ocean Current Disturbance海流扰动下基于深度强化学习的自主水下机器人路径规划
PREAI
分享收藏A self-adaptive particle swarm speed optimization method for unmanned sailboats considering roll constraint考虑横摇约束的无人帆船自适性粒子群速度优化方法OCEAN ENGINEERING
OCEAN ENGINEERINGIF5.5
PREAI
分享收藏
查看更多内容