Un marco híbrido APF-DQN con predicción de corriente basada en transformador para la planificación de rutas de USV en...

Área de la Ciencia:

• Robótica
• Ingeniería Marina
• Inteligencia Artificial

Sus antecedentes:

• La planificación de rutas para Vehículos de Superficie No Tripulados (USV) es compleja debido a las corrientes oceánicas y los obstáculos.
• Los métodos existentes carecen de predicción temporal robusta y de una integración efectiva de enfoques basados en la física y basados en el aprendizaje.

Objetivo del estudio:

• Desarrollar un marco novedoso de planificación de rutas para USV en entornos marinos desafiantes.
• Mejorar las capacidades de predicción temporal y sinergizar métodos basados en la física y basados en el aprendizaje.

Principales métodos:

• Una arquitectura Transformer multiescala para la predicción de campos de corrientes oceánicas de alta precisión.
• Un Campo de Potencial Artificial (APF) adaptativo mejorado con fuerzas inducidas por corrientes dinámicas y escape de mínimos locales.
• Un mecanismo de exploración basado en el valor Q mediano y una función de pérdida informada por APF para la integración de Redes Neuronales Profundas de Aprendizaje por Refuerzo (DQN).

Principales resultados:

• El marco APF-DQN propuesto logró una tasa de éxito del 100% en la planificación de rutas en simulaciones.
• Demostró una reducción del 14,7% en la longitud de la trayectoria en comparación con los métodos de referencia.
• Logró una disminución del 37,7% en el consumo de energía.

Conclusiones:

• El marco APF-DQN ofrece una solución robusta y eficiente para la planificación de rutas de USV en entornos marinos complejos.
• La integración de la predicción de corrientes basada en Transformer y el APF mejorado mejora significativamente el rendimiento de la navegación.
• El método proporciona una dirección prometedora para los sistemas de navegación marina autónoma.