基于神经网络的强化学习在无人船避障中的应用研究开题报告

 2021-11-25 10:11

1. 研究目的与意义(文献综述)

作为水面上最重要的交通工具,船舶承担了经济全球化过程中超过90%的货物运输工作。而近年来无人智能运输船舶的开发和研究受到了世界各造船航运大国的高度重视,采用无人智能船舶正在成为船舶工业的发展趋势。

由于无人船舶强调的核心是无人,所以可以执行特殊危险任务从而降低人员伤亡的风险,且能长时间不间断地航行,避免了由于驾驶人员疲劳而造成的风险,更可以降低人力的成本。

近几年随着机器学习的发展,特别是深度神经网络的突破性发展,使得人工智能取得了里程碑式的进步。强化学习是机器学习中一个重要的热点研究领域,广泛应用在自治机器人的控制中,通过与深度神经网络结合已实现人类级别的控制[1]。基于以上综合背景,本课题提出利用基于神经网络的强化学习,在考虑航行障碍物的基础上,研究其在无人船航行中的避障决策。

剩余内容已隐藏,您需要先支付后才能查看该篇文章全部内容!

2. 研究的基本内容与方案

(1)基本内容:

为了提高无人船的自主学习能力,设计一种基于神经网络的强化学习算法,使得无人船能够在行驶环境中通过自主学习进行避障行为决策,在使得该决策满足相关的自主导航控制理论基础的同时,在避障路线中选择更优化的路径,最终结合智能控制结构应用到无人船的避障中。

(2)目标:

剩余内容已隐藏,您需要先支付后才能查看该篇文章全部内容!

3. 研究计划与安排

(1)第1-4周:查阅相关文献资料,明确研究内容,了解研究所需理论基础。确定方案,完成开题报告。

(2)第5-6周:熟悉掌握基本理论,完成英文资料的翻译,同时搭建软件运行环境,熟悉软件的使用方法。

(3)第7-9周:基于已查阅文献的算法,完成基于神经网络的强化学习方法的无人船舶避障算法的设计。

剩余内容已隐藏,您需要先支付后才能查看该篇文章全部内容!

4. 参考文献(12篇以上)

[1]human-level control through deep reinforcement learning[j]. nature, 2015,518(7540):529-533.

[2]sutton r s , barto a g . reinforcement learning: an introduction(second edition)[j]. ieee transactions on neural networks, 2019, 9(5):1054-1054.

[3]m s,suresh g r. path planning algorithm for autonomous mobile robot in dynamic environment[m]. ganeshmurthy international conference on signal processing, communication and networking .2015.

剩余内容已隐藏,您需要先支付 10元 才能查看该篇文章全部内容!立即支付

课题毕业论文、开题报告、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。