Autonomous Sea Turtle Robot for Marine Fieldwork
本文提出了一种受海龟启发的自主水下机器人，通过集成视觉驱动控制栈，实现了仿生运动与现场可用自主性的结合，展示了在复杂环境中稳定操作和可靠跟踪的能力。
2026-02-24 cs.RO
Human-Assisted Robotic Detection of Foreign Object Debris Inside Confined Spaces of Marine Vessels Using Probabilistic Mapping
University of Washington（华盛顿大学）；Naval Undersea Warfare Center Division Keyport（基波特海军水下作战中心分部）
许多复杂的车辆系统，例如大型船舶，包含诸如水箱的有限空间，这对于车辆的安全运行至关重要。由于有限的可达性、较差的可见性和非结构化的配置，人类检查这样的空间是特别危险的。虽然机器人提供了一种可行的替代方案，但它们在实现强大的自主性方面遇到了同样的挑战。在这项工作中，我们专门解决的问题，检测异物碎片（FODs）内的密闭空间使用视觉映射为基础的系统，依赖于Mahalanobis距离驱动的比较之间的标称和在线地图的本地离群值识别。模拟实验表明，异常点识别方法具有极高的召回率，但准确率较低。因此，远程人类的协助，采取处理的精度问题，通过近距离的机器人摄像机图像的离群区域。进行了一项在线调查，以显示这一援助进程的有用性。物理实验也报告了一个GPU使能的移动机器人平台内的缩小，原型坦克，以证明的FOD检测系统的可行性。
2022-08-31 cs.RO
Layout-independent actuation allocator for fin-actuated marine robots
Department of Computer Systems, Tallinn University of Technology（计算机系统系，塔林理工大学）
研究提出与布局无关的控制分配器，用含图神经网络、Transformer和混合密度网络的学习管道及可微物理代理模型，实现跨不同执行器配置零样本部署，提升轨迹跟踪性能。
2026-07-07 cs.RO
Autonomous Oil Spill Response Through Liquid Neural Trajectory Modeling and Coordinated Marine Robotics
Swarm \& AI Lab (SAIL), Hatter Department of Marine Technologies, Leon H. Charney School of Marine Sciences, University of Haifa, 199 Aba Khoushy Ave, Mount Carmel, Haifa 3498838, Israel
本文提出将MOOS-IvP多智能体群体机器人与液态时间常数神经网络结合，用于溢油轨迹实时预测与协同应急，并在Deepwater Horizon数据上以0.96空间精度超越LSTM方法23%。
2025-08-17 cs.RO
Robotic Detection of Marine Litter Using Deep Visual Detection Models
University of Minnesota（明尼苏达大学）
水生环境中的垃圾沉积对海洋生态系统具有破坏性影响，并构成长期的经济和环境威胁。自动水下航行器（AUV）可以通过发现并最终清除垃圾来很好地解决这个问题。本文评估了一些深度学习算法，这些算法执行在现实水下环境中视觉检测垃圾的任务，最终目标是使用AUV勘探，绘图和提取这些碎片。对公开水域实际碎片的一个大型公开数据集进行了注释，以训练若干卷积神经网络架构，用于目标检测。然后，在来自该数据集其他部分的一组图像上对经过训练的网络进行评估，从而深入了解用于水下垃圾清除的AUV检测能力的方法。此外，评估是在三个不同的平台上进行的不同的处理能力，这有助于评估这些算法的实时应用程序的适应性。
2018-09-21 cs.RO
Risk-Averse Planning and Plan Assessment for Marine Robots
IT University of Copenhagen（哥本哈根信息技术大学）；University of Oslo（奥斯陆大学）；Rosenxt（罗森克斯公司）
针对AUV抽象任务规划在实际执行中可能次优或不可靠的问题，提出先生成多样化高层规划再通过低层仿真评估筛选可靠候选的方法，并在逼真水下机器人仿真中验证其可行性与有效性。
2024-10-01 cs.RO
Scalable Aerial GNSS Localization for Marine Robots
本文提出利用无人机GNSS定位实现水下机器人高效、可扩展的定位方法，解决传统方法在水面信号反射和成本上的局限。
2026-03-09 cs.CV cs.RO
GPS-DRIFT: Marine Surface Robot Localization using IMU-GPS Fusion and Invariant Filtering
Department of Naval Architecture and Marine Engineering at the University of Michigan（密歇根大学海军建筑与海洋工程系）
本文扩展DRIFT框架，提出GPS-DRIFT方法，通过不变扩展卡尔曼滤波融合GPS与IMU数据，并利用对地航向信息实现偏航角校正，在BlueBoat平台上验证了无漂移定位与可靠航向估计，并开源了解决方案。
2025-07-02 cs.RO
Multi-Objective Compliance-Integrated Coevolution For Simulated And Real-World Deployment Of Multi-Robot Marine Autonomy
Oregon State University（俄勒冈州立大学）；MIT（麻省理工学院）
本文提出MMOCIC框架，将协同进化与合规性行为解耦，在多机器人海洋任务中平衡团队进展与规范遵守，硬件部署8个、仿真12个机器人时均实现高性能且无碰撞。
2026-07-30 cs.RO
Stable Multi-Drone GNSS Tracking System for Marine Robots
McGill University（麦吉尔大学）；MILA-Quebec AI Institute（魁北克人工智能研究所）；Université Paris-Saclay, CentraleSupélec（巴黎-萨克莱大学，中央超导研究所）
本文提出了一种基于多无人机的GNSS跟踪系统，结合视觉检测、多目标跟踪和EKF滤波，实现海洋机器人稳定可靠的实时跟踪。
2026-03-08 cs.AI cs.CV cs.RO
Concurrent Flow-Based Localization and Mapping in Time-Invariant Flow Fields
University of Florida（佛罗里达大学）；University of Hawai‘i at Mānoa（夏威夷大学马诺阿分校）
我们提出了并发流为基础的定位和映射（FLAM）的概念，自主领域机器人导航背景流。与经典的同时定位与地图构建（SLAM）问题不同，FLAM利用连续流场作为移动机器人的导航参考，并通过现场流速观测提供流场地图绘制能力。这种方法对于中深度海洋中的水下航行器或GPS拒绝大气环流中的航空器是重要的。本文介绍了制定FLAM作为一个完整的SLAM解决方案的动机基于特征的GraphSLAM框架。FLAM的性能通过模拟人工流场，代表典型的地球物理循环现象：一个稳定的单回旋流场和双回旋流场与非定常湍流扰动。结果表明，FLAM提供了显着的改善，在机器人的定位精度和一致的近似背景流场。它还表明，FLAM导致平滑的机器人轨迹估计。
2019-10-15 cs.RO eess.SP
Stonefish: Supporting Machine Learning Research in Marine Robotics
Oceans Systems Lab (OSL), Heriot-Watt University（赫瑞斯泰大学海洋系统实验室）；Underwater Vision and Robotics Lab (CIRS), University of Girona（加泰罗尼亚理工大学水下视觉与机器人实验室）
本文介绍Stonefish模拟器的最新增强功能，通过新增多种传感器、可见光通信、系留作业支持、改进推进器与流体动力学模型及自动化标注工具，显著提升其在海洋机器人机器学习研究中的支持能力。
2025-07-18 cs.AI cs.RO cs.SY
Word2Wave: Language Driven Mission Programming for Efficient Subsea Deployments of Marine Robots
University of Florida（佛罗里达大学）
本文提出Word2Wave框架，通过语言规则、GPT提示工程模块、基于T5-Small的序列到序列学习流水线及可视化界面，实现AUV的交互式任务编程，相比传统界面编程时间减少90%以上，可用性显著提升。
2025-03-06 cs.RO
Dynamic Median Consensus for Marine Multi-Robot Systems Using Acoustic Communication
University of Zagreb Faculty of Electrical Engineering and Computing（萨格勒布大学电气工程与计算学院）
在本文中，我们提出了一个动态的中位数共识协议的多智能体系统使用声通信。激励目标的情况下，是一个多智能体系统组成的水下机器人作为智能传感器，适用于连续监测的海洋环境的状态。建议的协议允许每个代理跟踪所有代理的个人测量的中值，通过本地通信与相邻的代理。中位数被选为对离群值鲁棒的度量，而不是通常使用的平均值。与现有的共识协议相比，该协议是动态的，使用切换通信拓扑结构，并收敛到测量信号的中值。从理论上证明了协议的稳定性和正确性。对协议进行了仿真测试，分析了协议的准确性以及协议参数对系统输出的影响。该协议的实施和验证的一组实验的水下机器人组包括aMussel单位。这个实验装置是第一个部署任何类型的共识协议的水下设置之一。仿真和实验结果均证实了该方法的正确性。
2022-05-04 cs.RO cs.SY eess.SY
Bioinspired underwater soft robots: from biology to robotics and back
Peking University（北京大学）；Chinese Academy of Sciences（中国科学院）；National University of Singapore（新加坡国立大学）
本文提出生物学与机器人学双向融合框架，使软体机器人既能验证生物假说，又能在海洋勘探等场景中超越刚性系统，并展望了跨物种收敛原理驱动的生物通用启发式机器人学。
2025-08-16 cs.RO
Robust Image Processing Techniques for Construction Environment Monitoring Using Underwater Robots
提出一种针对水下机器人施工环境监测的鲁棒图像处理框架，通过分阶段建模前向散射和海洋雪退化，使用合成数据重训练联合ID网络，并应用轻量级后处理，在真实水下数据集上提升视觉质量和UIQM分数。
2026-07-03 cs.CV cs.RO
Marine Locomotion: A Tethered UAV$-$Buoy System with Surge Velocity Control
American University of Beirut（贝鲁特美国大学）
无人驾驶飞行器（UAV）正在进入近海。在这项工作中，我们制定了新的问题，海洋机车四旋翼无人机，操纵的浪涌速度的浮动浮标通过电缆。所提出的机器人系统可以有各种新的应用无人机，他们的高速和机动性，以及他们的部署方便和广阔的视野，给他们一个优越的优势。此外，四旋翼无人机有限的飞行时间的主要限制通常通过脐带式电力电缆来解决，脐带式电力电缆自然地与所提出的系统集成。建立了浮标、无人机和水环境的高保真动力学模型。此外，一个稳定的控制系统的设计，提出了在一定的限制，保持浮标与水面接触的浮标操纵浪涌速度。在控制器设计过程中使用极坐标，因为它们在确保对跟踪性能的相关影响方面优于传统的基于笛卡尔的速度控制器，其中每个控制通道独立地影响一个控制参数。在不同的波浪场景下，系统模型和控制器的设计进行了验证的数值仿真。
2021-07-30 cs.RO
Coastal Environment Generation with HoloOcean
Brigham Young University（杨百翰大学）
针对海洋仿真环境创建依赖人工且需专业知识的问题，提出基于HoloOcean和虚幻引擎5的自动海岸环境生成管线，利用俯视图像生成高程图并自动放置资产。
2026-09-10 cs.RO
Routing and Control for Marine Oil-Spill Cleanup with a Boom-Towing Vessel Fleet
本文提出一种多机器人框架，用于协调多个自主水面车辆对多处油污进行 containment 和清理，通过混合整数线性规划和 warm-start 策略实现近最优路由计划，设计了拖曳浮标船队的反馈线性化控制器和 PID 控制器，模拟结果验证了路径跟踪的准确性。
2026-03-17 cs.MA cs.RO
ChatSim: Underwater Simulation with Natural Language Prompting
University of Maryland（马里兰大学）；Maryland Robotics Center（马里兰机器人中心）
针对水下真实实验成本高、难度大的问题，研究提出ChatSim，将大语言模型与OysterSim水下仿真环境结合，支持通过自然语言直接控制仿真环境，可降低研发成本、提升仿真能力，助力海洋勘探与科研。
2023-08-09 cs.RO
Coastal Underwater Evidence Search System with Surface-Underwater Collaboration
Hong Kong University of Science and Technology（香港科技大学）
本文提出一种水面-水下多机器人协同的海岸水下证据搜索系统，结合自主水面航行器、拖曳式水下航行器和仿生水下机器人，通过仿真与实地实验验证其在执法与打捞场景中的高效搜索能力。
2024-10-03 cs.RO
Sailing Through Point Clouds: Safe Navigation Using Point Cloud Based Control Barrier Functions
Control/Robotics Research Laboratory（控制与机器人研究实验室）
提出一种由Vessel和Mariner组成的基于点云CBF的局部规划器，实现非结构化环境中的安全导航，并在Unitree四足机器人上验证了其有效性。
2024-07-16 cs.RO
An Aerial Transport System in Marine GNSS-Denied Environment
School of Aerospace Engineering（航空航天学院）；Beijing Institute of Technology（北京理工大学）；Centre for Autonomous Robotic Systems（自主机器人系统中心）；Khalifa University（哈利法大学）
针对海洋GNSS拒止环境下传统导航失效的问题，提出结合UWB与QR码的锚点定位方法及电机驱动货物附着机构，基于DJI M300打造自主空中运输系统，经MBZIRC2024验证可在无货物位置先验、低人工干预下可靠完成运输。
2024-11-03 cs.RO
Safe Sliding Mode Control for Marine Vessels Using High-Order Control Barrier Functions and Fast Projection
本文提出了一种结合滑模控制与高阶控制屏障函数的新型安全控制框架，用于在强环境扰动下实现海洋船舶的无碰撞导航。
2025-12-30 cs.RO cs.SY eess.SY
Robust Trajectory Tracking of Autonomous Surface Vehicle via Lie Algebraic Online MPC
University of Michigan（密歇根大学）；University of California, Berkley（加州大学伯克利分校）
本文提出一种结合李群和在线学习的MPC控制器，用于提升自主水面车辆在未知扰动下的轨迹跟踪鲁棒性和精度。
2026-09-24 cs.RO
Lo-MARVE: A Low Cost Autonomous Underwater Vehicle for Marine Exploration
School of Computer Science（计算机科学学院）；University of Galway（戈尔韦大学）；School of Engineering（工程学院）
本文提出了一种名为Lo-MARVE的低成本自主水下航行器，采用模块化设计与低成本传感器，总成本约500欧元，并在真实浅水环境中验证了其自主导航与数据采集能力。
2024-11-13 cs.AI cs.RO
Rod models in continuum and soft robot control: a review
Istituto Italiano di Tecnologia（意大利技术研究院）；The BioRobotics Institute（生物机器人研究所）；Department of Excellence in Robotics and AI（机器人与人工智能卓越部门）
本文综述了杆模型在连续体和软体机器人建模与控制中的应用，涵盖数学基础、机器人建模及控制策略，并讨论了其优势、局限和未来方向。
2026-06-09 cs.RO
RRT-GPMP2: A Motion Planner for Mobile Robots in Complex Maze Environments
University College London（伦敦大学学院）
针对复杂迷宫环境下移动机器人的运动规划需求，提出融合GPMP2轨迹优化算法与RRT采样算法优势的RRT-GPMP2规划器，经仿真与海洋机器人虚拟场景应用验证了其性能与实用性。
2024-12-10 cs.RO
Design and Control of A Hybrid Sailboat for Enhanced Tacking Maneuver
航行机器人为海洋探测、污染检测、边境监视等海洋任务提供了一种低成本的解决方案。然而，与其他螺旋桨驱动的水面船舶相比，帆船由于机动性差，在复杂的海洋风场中航行困难。特别是在抢风航行中，帆船需要逆风行驶，并需要做出曲折的路径。在这个轨迹中，一系列的转弯将穿过具有挑战性的禁航区，这是一个巨大的挑战，因为它会大大降低速度，从而导致不成功的转弯。本文提出了一种混合帆船设计来解决这个问题。电动螺旋桨和控制系统被添加到一个模型帆船。我们进一步设计了控制策略和调整参数（PWM时间）的实验。最后，该系统和控制可以完成跟踪机动的平均速度约10%，提高成功率，虽然帆船的重量要大得多。
2018-11-29 cs.RO
Octopus-Swimming-Like Robot with Soft Asymmetric Arms
Department of Mechanical Engineering, National University of Singapore（机械工程系，新加坡国立大学）
提出一种结合不对称软体手臂与伞状急回机构的仿生章鱼游泳机器人，仅用两个恒速电机实现高效游泳，峰值速度达314 mm/s，降低了驱动复杂性。
2024-10-15 cs.RO
Kinematics Transformer: Solving The Inverse Modeling Problem of Soft Robots using Transformers
Bahcesehir University（巴耶塞特大学）
软机器人操纵器在脆弱的环境如海洋环境中提供了许多优于传统刚性操纵器的优点。然而，发展必要的形状，运动和力控制的机器人的解析逆模型仍然是一个具有挑战性的问题。作为分析模型的替代方案，可以使用强大的机器学习方法来学习数值模型。在本文中，Kinetics Transformer提出了发展准确和精确的逆运动学模型的软机器人肢体。该方法将机器人逆运动学问题转化为序列预测问题，并基于Transformer结构。数值仿真结果表明，该方法可以有效地用于控制软肢体。基准研究也表明，与基线前馈神经网络相比，该方法具有更好的准确性和精度
2022-11-12 cs.LG cs.RO
Dynamic Compressed Sensing of Unsteady Flows with a Mobile Robot
University of Hawai‘i at Mānoa（夏威夷大学马诺阿分校）
使用有限数量的移动传感器进行大规模环境感知是一项具有挑战性的任务，需要大量的资源和时间。当环境中的特征以未知或部分已知的动态在时空上变化时尤其如此。幸运的是，这些动态特征通常在低维空间中演化，使得仅用一个或几个适当规划的移动传感器就可以足够好地捕获它们的动态。本文研究了非定常流场的动态压缩传感问题，该问题利用了底层流动动力学固有的低维性来减少移动传感机器人的路径点数量。最佳的传感航路点确定的迭代压缩传感算法，优化基于适当的正交分解模式的流量重建。然后找到最佳采样轨迹来遍历这些航路点，同时最小化能量消耗、时间和流重构误差。在非定常双回旋流场的仿真结果表明，所提出的算法的有效性。室内四轴飞行器的实验结果表明，所得到的轨迹的可行性。
2022-03-02 cs.RO eess.SP math.OC
CurviTrack: Curvilinear Trajectory Tracking for High-speed Chase of a USV
Czech Technical University in Prague（布拉格捷克技术大学）；Universidade Federal da Paraíba（帕拉伊巴联邦大学）
本文提出CurviTrack方法，结合阻力感知模型与MPC，实现无通信下USV高速曲线轨迹的跟踪与降落，显著降低预测误差并提升跟踪及降落成功率。
2025-02-28 cs.RO cs.SY eess.SY
Asymptotic Boundary Shrink Control with Multi-robot Systems
Purdue University（普渡大学）；Hongik University（弘益大学）
有害的海洋溢漏，如藻类大量繁殖和石油溢漏，破坏生态系统，严重威胁公众健康。因此，有效的溢油覆盖和清除策略将在环境保护中发挥重要作用。近年来，低成本的水面机器人已经成为一种解决方案，其有效性在小规模上得到了验证。然而，实际的限制，如连接性，可扩展性，以及传感和操作范围显着损害其大规模使用。为了规避这些限制，我们提出了一种新的渐近边界收缩控制策略，使集体覆盖的溢出具有定制的操作范围的自主机器人。对于每个机器人，一种新的控制器的实现，只依赖于本地视觉传感器有限的视觉范围。此外，这种策略的分布式允许任何数量的机器人被采用，而没有机器人之间的碰撞。最后，这种方法的特点，包括边界收缩控制过程中的机器人运动的收敛性，溢出清除率，以及在有限的视野和无线连接范围内的工作能力进行了验证，通过大量的仿真实验。
2020-09-03 cs.MA cs.RO
Embodied Design for Enhanced Flipper-Based Locomotion in Complex Terrains
University of Notre Dame（圣母大学）；University College Dublin（都柏林大学学院）
受海龟幼体启发，本文提出一种仿生机器人系统，研究鳍状肢形态与步态对多地形移动性的影响，实验证明适应性设计对实现速度、效率与多地形适应性至关重要。
2024-05-22 cs.RO
Optimal Path Planning of Autonomous Marine Vehicles in Stochastic Dynamic Ocean Flows using a GPU-Accelerated Algorithm
Indian Institute of Science Bangalore（班加罗尔印度科学研究所）
自主海洋航行器在许多海洋科学和工程应用中发挥着至关重要的作用。规划这些车辆在随机动态海洋环境中航行的时间和能量最优路径对于降低运营成本至关重要。在某些任务中，它们还必须收集太阳能、风能或波浪能（建模为随机标量场），并以最小化净能耗的最佳路径移动。马尔可夫决策过程（MDP）提供了一个自然的框架，在这样的环境中的机器人代理顺序决策。然而，建立一个现实的模型，并解决建模MDP在大规模的实时应用中变得计算昂贵，不需要并行算法和高效的实现。在目前的工作中，我们引入了一个高效的端到端GPU加速算法，该算法（i）构建MDP模型（计算转移概率和预期的一步奖励）;（ii）求解MDP以计算最优策略。我们开发了方法和算法解决方案，以克服GPU有限的全局内存，通过（i）使用海洋流的动态降阶表示，（ii）利用状态转移概率矩阵的稀疏性，（iii）引入相邻子网格的概念;（iv）证明仅使用随机标量场的平均值就足以计算期望值-步骤奖励涉及从环境中收集能量的任务;从而节省内存并减少计算工作量。我们在模拟的随机动态环境中演示了该算法，并强调它构建了MDP模型，计算最优策略的速度比传统的CPU实现快600- 1000倍，使其适合实时使用。
2021-09-20 cs.AI cs.DC cs.RO
Long-Range Vision-Based UAV-assisted Localization for Unmanned Surface Vehicles
Khalifa University（哈利法大学）；School of Aerospace Engineering, Beijing Institute of Technology（北京理工大学宇航学院）
针对GPS受限海洋环境中无人水面艇的导航问题，提出一种利用无人机视觉跟踪与三角测量辅助定位并融合EKF的方法，在MBZIRC-2024真实海洋实验中验证了其有效补充GPS的潜力。
2024-08-21 cs.AI cs.RO
Trajectory tracking control of a Remotely Operated Underwater Vehicle based on Fuzzy Disturbance Adaptation and Controller Parameter Optimization
Purdue University（普渡大学）
针对冰下探索中ROV精确轨迹跟踪需求，提出融合模糊自适应扰动抑制与PSO参数优化的MIMO非线性控制器，经仿真验证性能优于基线方法，助力冰下探索技术发展。
2024-05-16 cs.RO cs.SY eess.SY
Aucamp: An Underwater Camera-Based Multi-Robot Platform with Low-Cost, Distributed, and Robust Localization
Shanghai Jiao Tong University（上海交通大学）
本研究提出名为Aucamp的水下多机器人平台，采用低成本单目相机感知、分布式定位协议与鲁棒姿态控制，经实验验证性能优异，可为海洋探索提供支持。
2025-06-11 cs.RO cs.SY eess.SY
Digital-physical testbed for ship autonomy studies in the Marine Cybernetics Laboratory basin
Department of Marine Technology, Norwegian University of Science and Technology - NTNU（海洋技术系，挪威科学技术大学 - NTNU）
针对MASS算法测试难题，开发数字物理试验台，含小型模型船等设施，建立从低保真到高保真的设计验证流程，能实现不同尺度验证，展示了其在船舶自主GNC算法测试上的进展与有效性。
2026-07-21 cs.RO cs.SY eess.SY
Flow-aware Optimal Navigation in Unsteady Flows through Reinforcement Learning
Politecnico di Milano（米兰理工大学）；MOX（数学优化与工程计算实验室）
研究在非定常流中自主机器人导航问题，用TD3算法训练智能体在双涡旋流中到达目标。评估五种生物启发观测策略及全局流参数影响，发现速度感知与涡度传感器效用有权衡，明确参数会降性能，为机器人导航从模拟到现实提供见解。
2026-07-16 cs.LG cs.RO cs.SY
Model Predictive Wave Disturbance Rejection for Underwater Soft Robotic Manipulators
Institute for Integrated Micro and Nano Systems, University of Edinburgh（爱丁堡大学集成微纳系统研究所）；TU Delft（代尔夫特理工大学）
针对浅水波浪扰动下水下软体机械臂的精确控制问题，提出基于非线性模型预测控制并显式考虑波浪扰动的策略，在多种任务中使位置误差较基线降低达84%，为危险水域软体机械臂应用奠定基础。
2024-01-24 cs.RO cs.SY eess.SY
Deep Reinforcement Learning Based Tracking Control of an Autonomous Surface Vessel in Natural Waters
Massachusetts Institute of Technology（麻省理工学院）；Beijing University of Posts and Telecommunications（北京邮电大学）；KU Leuven（鲁汶大学）；Flanders Make（法兰德斯制造研究院）
由于环境的复杂动力学，自主海洋机器人的精确控制仍然是一个挑战。在本文中，我们提出了一种深度强化学习（DRL）方法来训练自主水面船舶（ASV）轨迹跟踪控制器，并将其性能与现实环境中的先进非线性模型预测控制器（NMPC）进行比较。考虑到环境干扰（例如，风、波浪和水流）、噪声测量以及物理ASV中存在的非理想致动器，仔细设计了用于DRL跟踪控制策略的几种有效的奖励函数。在具有不同跟踪轨迹和干扰的仿真环境中训练控制策略。的DRL控制器的性能进行了验证，并与NMPC在基于模型的环境干扰和在自然水域的模拟。仿真结果表明，DRL控制器的跟踪误差比NMPC控制器小53.33%。实验结果进一步表明，与NMPC相比，DRL控制器的跟踪误差降低了35.51%，表明DRL控制器在河流环境中比NMPC提供更好的干扰抑制。
2023-02-20 cs.RO
