auv空间运动自主行为学习和规划

《auv空间运动自主行为学习和规划》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、AUV空间运动自主行为学习与规划摘要自治式水下航行器(AUV，AutonomousUnderwaterVehicle)是一种无人装备平台，通过搭载不同的传感器和任务模块，它可完成水下观测、海洋开发、海洋工程等多种任务。本文针对AUV空间运动的特点，提出了基于行为动力学的AUV自主智能体。深入研究了AUV自主行为智能体的运动规划。本文主要针对以下方面开展研究：本文针对AUV在复杂海洋环境中的运动规划问题，提出了基于行为动力学的方法建立AUV自主智能体。建立了基于行为动力学的AUV水平面自主行为模型。依据模糊理论建立垂直面的定深航行行为和定高航行行

2、为模型。提出了基于行为融合机制理念结合离散事件动态系统中自动机的方法的行为任务协调机制。仿真结果表明AUV的整体行为协调机制可靠、合理，能够成功地对AUV水平面和垂直面的行为运动进行协调。本文针对传统强化学习算法泛化能力差的缺点对其进行了改进，采用神经网络实现Q．1earning算法，使AUV学习系统的泛化性得到了很大的提升。将其应用到AUV的自主行为学习规划中，建立了基于神经网络Q．1earning的AUV自学习型智能体。仿真结果表明，AUV在仿真环境中，通过其自主学习保存的学习经验实现了其在未知环境中的运动规划。充分验证了AUV自学习型智能

3、体的学习的正确性和其较强的泛化能力。为了验证本文构建的AUV自主行为学习智能体的可靠性和合理性，设计了模拟仿真实验，并分别针对AUV智能体的自主行为能力和自学习能力设计了实验案例。通过实验表明，本文构建的AUV自主行为学习智能体能够顺利完成多种航渡和作业任务。关键词：自治式水下航行器；行为动力学；自主行为学习智能体；神经网络；Q．学习；强化学习AUV空间运动自主行为学习与规划AbstractAutonomousUnderwaterVehicle(shortforAUV)isanewconceptofunmannedplatforms．Throu

4、ghcarryingthedifferentsensorsandthemissionmodules，Itcancompletetheunderwaterobservatory，marinedevelopment,marineengineeringandothertasks．Inthispaper，forspatialcharacteristicsofthemotionofAUV．anautonomousagentbasedonbehavioranddynamicsmethodisproposed．Thisarticledeeplystudies

5、themotionplanningofAUVAutonomousBehaviorAgent．InthisP印er，severalaspectsarestudiedasfollows：Inthispaper．fort11emotionplanningprobleminthecomplexityofthemarineenvffonment,theAUVautonomousagentisestablishedbasedonbehavioranddynamicsmethod．ItestablishesindependenthoriZontalindep

6、endentbehavioralmodelofthedynamicsofbehavior-basedAUV．Accordingtofuzzytheory，thebehavioralmodelsofverticalfixed—deepnavigationbehaviorandfLxed-highnavigationbehaviorareestablished．CombiningbehaviorfusionmechanismwhitPetrinetsofthediscreteeventdynamicsystems，thebehavior-taskc

7、oordinationmechanismshavebeenproposed．Simulationresultsshowthat：theoverallbehaviorofcoordinationmechanismsoftheAUVisreliableandreasonable，andbeabletosuccessfullycoordinatebehaviorontheAUVhorizontalandverticalmovement．Thealgorithmofthisarticlehasbeenimprovedtothepoorgeneraliz

8、ationabilityoftheshortcomingoftraditionalreinforcementlearningalgorithm．Int