水下机器人人工智能模型可用于其他自适应控制系统

本站发布时间：2023-12-23 15:43:28

无人潜航器（UUV）在全球范围内使用，以在不可预测和恶劣的条件下进行艰难的环境、偏远、海洋、防御和排水

Flinders University和Frenchresearcher的一项新研究将使用一种受elbio启发的人工智能计算解决方案来提高UUV和其他自适应控制系统的潜力，从而降低在恶劣天气和其他不可预测条件下的可靠性

这一创新方法，使用生物激励体验回放（BIER）方法，已由美国电气与电子工程师协会发布

作者ThomasChaffre博士解释道，与传统方法不同，BIER旨在通过充分利用现有经验来过度提高效率和性能退化

“该方法的结果表明，BIER超过了标准的经验回放方法，在假设的UUV域中实现了两次最佳性能。

”该方法显示了异常的适应性和有效性，显示了其稳定UUV变化和挑战条件的能力“.

该方法包括两个内存缓冲区，一个集中于非中央状态的动作对，另一个强调正向。

为了验证所提出方法的有效性，研究人员使用机器人操作系统（ROS）进行了模拟场景-基于UUV模拟并逐步提高场景的复杂性

这些参数的目标速度值和当前扰动的强度各不相同

资深作者Flinders大学助理教授AI和机器人PauloSantoss研究BIER方法在提高适应能力和性能方面的成功前景，这些领域都需要动态、自适应的控制系统

UUV在映射、想象和传感器控制方面的能力正在迅速提高，包括深度强化学习（DRL），这大大提高了UUV对水下扰动的适应性控制响应

然而，这些方法的有效性在面对现实世界应用程序中的这些环境变化时受到了挑战

水下环境的复杂动力学限制了无人潜航器操纵任务的可观测性，使现有的DRL方法难以实现最佳性能

比尔的引入标志着在提高普遍的代表性信息强化学习方法的有效性方面迈出了重要的一步

研究人员得出结论，它能够有效地避免不确定性和动态微环境，这有望在自适应控制系统中取得进展

鸣谢：这项工作由弗林德斯大学和ENSTAB研究所资助，并得到了南澳大利亚州政府Ré的支持；布列塔尼地区（法国）和纳瓦尔集团

来源:

Materials provided by
Flinders University.
注明: Content may be edited for style and length.

参考:

Thomas Chaffre, Paulo E. Santos, Gilles Le Chenadec, Estelle Chauveau, Karl Sammut, Benoit Clement.
Learning Adaptive Control of a UUV Using a Bio-Inspired Experience Replay Mechanism. IEEE Access, 2023; 11: 123505 DOI: 10.1109/ACCESS.2023.3329136

排行榜

揭示超硫化物在调节线粒体功能和寿命中的作用