SR-GRAT: Aprendizaje de refuerzo guiado por respuesta simétrica con orientación adaptativa para el control ágil de...

Área de la Ciencia:

• Ingeniería Aeroespacial Ingeniería Aeroespacial.
• La inteligencia artificial es inteligencia artificial.
• Sistemas de control de los sistemas de control.

Sus antecedentes:

• Los métodos tradicionales de control de piloto automático a menudo usan progresos de aprendizaje estático.
• Esto puede conducir a un rendimiento subóptimo, con agentes abrumados o estancados.
• Existe la necesidad de estrategias de control adaptativas en entornos aéreos dinámicos.

Objetivo del estudio:

• Presentar un nuevo marco curricular para el control de piloto automático de aeronaves de ala fija.
• Mejorar la eficiencia y la estabilidad del aprendizaje utilizando mecanismos adaptativos y dinámicos.
• Demostrar la efectividad del marco en escenarios complejos de misiones aéreas.

Principales métodos:

• Se introdujo el aprendizaje por refuerzo guiado por respuesta simétrica (RL).
• Implementó una curva de aprendizaje bidireccional adaptativa que se ajusta en función de las tendencias de recompensa.
• Utilizó un mecanismo dinámico de generación de objetivos dentro de los episodios.

Principales resultados:

• Se logró una convergencia más rápida y se redujo el exceso en las tareas de seguimiento de trayectoria.
• Demostró un rendimiento de seguimiento más preciso, incluso bajo turbulencias.
• Demostró superioridad sobre los métodos de referencia en la navegación de puntos de ruta y la búsqueda dinámica.

Conclusiones:

• El marco RL propuesto ofrece una mayor estabilidad y una convergencia más rápida para el control de aeronaves.
• La generación dinámica de objetivos mejora la eficiencia del aprendizaje sin la configuración manual de recompensas.
• El controlador es robusto y aplicable a misiones complejas como el combate aéreo autónomo.