原文传递
基于强化学习的多AUV任务分配及路径规划研究
| 论文题名： | 基于强化学习的多AUV任务分配及路径规划研究 |
| 关键词： | 自主水下航行器;强化学习;任务分配;蚁群算法;路径规划;近端策略优化 |
| 摘要： | 随着陆地资源的日渐枯竭，各个海洋大国将其研究重心转向广袤的海洋探索领域。因此，多自主水下航行器（MultipleAutonomousUnderwaterVehicle，MAUV）技术的研究越来越受到关注。复杂的海洋环境对多AUV协同作业提出了高要求，而合理的任务分配方法能够使多AUV系统的任务能力得到大大提升，同时合理规划任务路径是多AUV完成任务的重要前提，因此多AUV的任务分配与路径规划技术具有非常重要的研究意义。本文主要围绕多AUV系统的任务分配问题以及AUV的路径规划问题展开研究，主要工作内容如下： （1）本文分析并建立了AUV的六自由度运动学模型；同时通过多个Lamb涡流场叠加的方式对现实中的海洋洋流模型进行估计，为后文的路径规划算法提供洋流模型，提高了路径规划算法的真实性和鲁棒性。此外，本文还对强化学习中的几种经典算法进行分析和研究，为后文的任务分配算法设计和路径规划算法设计提供理论基础。 （2）本文提出了一种动态Q信息素蚁群算法，解决了任务资源受限的多AUV任务分配问题。根据MTSP模型建立了任务资源受限的多AUV任务分配问题模型，通过增加虚拟节点将MTSP模型进行简化求解；同时通过对蚁群算法参数的实验分析合理选取蚁群算法参数，并通过引入动态Q信息素的更新方式以及变???????????????的路径选择策略，成功解决了蚁群算法自身前期容易停滞的问题，并且很好的解决了任务资源受限的多AUV任务分配问题。 （3）本文建立了自定义强化学习环境，并通过PPO算法对AUV模型进行训练，成功解决了未知环境下的AUV路径规划问题。建立了自定义声呐探测模型，并且合理地设置状态动作空间以及奖励函数，同时引入了洋流干扰模型，完成了自定义AUV强化学习环境的搭建，通过训练得到AUV路径规划模型，最后通过不同场景下的AUV路径规划效果证实了强化学习在解决AUV路径规划问题上的可行性。 （4）搭建了USV（UnmannedSurfaceVessel）水上实验平台，验证了任务资源受限的多机器人任务分配算法。通过任务分配算法对USV进行任务分配，并通过分析USV完成任务路径的质量，以及任务分配算法在真实环境中的表现，证实任务分配算法的有效性。 |
| 作者： | 陈德平 |
| 专业： | 机械电子工程 |
| 导师： | 陈延礼 |
| 授予学位： | 硕士 |
| 授予学位单位： | 吉林大学 |
| 学位年度： | 2023 |
检索历史
应用推荐
