每日 Arxiv

本页面整理了世界各地发表的人工智能相关论文。
本页面使用 Google Gemini 汇总而成，并以非盈利为基础运营。
论文版权归作者及相关机构所有，分享时请注明出处。

永不放弃：极端海况下用于 AUV 的 LLM 增强型基于 RL 的自适应 S 表面控制器

Created by
  • Haebom

作者

谢冠文、徐景泽华、丁一棉、张志、张帅、李毅

大纲

本文开发了一种基于强化学习 (RL) 的自适应 S 面控制器，该控制器利用大规模语言模型 (LLM) 来增强自主水下航行器 (AUV) 的适应性和机动性。利用 LLM，我们在 RL 训练期间联合优化控制器参数和奖励函数。多模态和结构化的显式任务反馈使我们能够协调多个目标，从而增强面向任务的性能和适应性。所提出的控制器采用以任务为中心的高级 RL 策略，并输出面向任务的高级命令，S 面控制器将这些命令转换为控制信号，从而减轻极端海洋条件下的非线性效应和不可预测的外部干扰。在涉及复杂地形、波浪和洋流的极端海洋条件下，与传统的 PID 和 SMC 控制器相比，所提出的控制器在水下目标跟踪和数据采集等高级任务中表现出卓越的性能和适应性。

Takeaways, Limitations

•
Takeaways：
◦
通过 LLM 和 RL 的集成提高 AUV 控制器的适应性和性能。
◦
在极端海洋条件下表现出比现有控制器更优异的性能。
◦
引入高级面向任务的控制方法。
•
Limitations：
◦
没有指定具体的LLM架构和实现细节。
◦
缺乏有关训练数据的特征和多样性的信息。
◦
没有提供真实环境中的验证结果。
👍
Made with Slashpage