Depth-Constrained ASV Navigation with Deep RL and Limited Sensing

要約

自律型地表車（ASV）は、海事作戦で重要な役割を果たしますが、浅い水環境でのナビゲーションは、動的な障害と深さの制約のために依然として困難です。
従来のナビゲーション戦略は、限られたセンサー情報と闘い、安全で効率的な操作を困難にしています。
このホワイトペーパーでは、深さの制約の下でASVナビゲーションの強化学習（RL）フレームワークを提案します。ここでは、車両がターゲットに到達する必要がありますが、下向きの単一ビームエコーサウンダー（SBES）からタイムステップごとに単一の深度測定のみを避けます。
環境意識を高めるために、ガウスプロセス（GP）の回帰をRLフレームワークに統合し、エージェントがまばらなソナーの測定値から潜水孔の深さマップを徐々に推定できるようにします。
このアプローチは、環境のより豊かな表現を提供することにより、意思決定を改善します。
さらに、効果的なSIMからリアルへの転送を実証し、訓練されたポリシーが実際の水生条件に適切に一般化することを保証します。
実験結果は、浅い水環境に挑戦するために安全性を維持しながら、ASVナビゲーションパフォーマンスを改善する方法の能力を検証します。

要約(オリジナル)

Autonomous Surface Vehicles (ASVs) play a crucial role in maritime operations, yet their navigation in shallow-water environments remains challenging due to dynamic disturbances and depth constraints. Traditional navigation strategies struggle with limited sensor information, making safe and efficient operation difficult. In this paper, we propose a reinforcement learning (RL) framework for ASV navigation under depth constraints, where the vehicle must reach a target while avoiding unsafe areas with only a single depth measurement per timestep from a downward-facing Single Beam Echosounder (SBES). To enhance environmental awareness, we integrate Gaussian Process (GP) regression into the RL framework, enabling the agent to progressively estimate a bathymetric depth map from sparse sonar readings. This approach improves decision-making by providing a richer representation of the environment. Furthermore, we demonstrate effective sim-to-real transfer, ensuring that trained policies generalize well to real-world aquatic conditions. Experimental results validate our method’s capability to improve ASV navigation performance while maintaining safety in challenging shallow-water environments.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google