面向养殖网箱巡检任务的强化学习训练系统

网箱巡检是网箱养殖过程中的必要环节,利用机器人实现网箱无人化巡检是未来趋势。在真实水下环境中试验成本高、危险性大,目前尚缺乏适用的网箱养殖场景仿真平台。为此,论文设计实现了一个面向养殖网箱巡检任务的强化学习训练系统,给出了系统总体框架。首先基于UUV Simulator仿真实现一个网箱养殖环境。在此基础上,利用机器人操作系统(Robot Operating System,ROS)和OpenAI Gym实现强化学习训练系统。该系统可用于基于强化学习的网箱巡检控制策略训练,也可进行网箱巡检控制策略仿真和评估。最后,通过一个实验案例验证了该系统的有效性、可用性和方便性。该系统可提升网箱巡检控制算法的研发效率和安全性,进一步推动网箱养殖的智能化。

一种基于PPO的AUV网箱巡检方法

网箱巡检是网箱养殖的必要环节。随着渔业设施地智能化发展,使用AUV实现自主网箱巡检是未来的发展趋势。在水下难以得到机器人的精确动力学模型。为此,论文提出基于强化学习算法PPO的水下机器人自主网箱巡检方法。以声呐数据作为感知输入,根据航向、偏离距离等因素设计了多约束奖励函数,利用PPO算法学习出最优的网箱巡检控制策略。搭建了水下网箱养殖仿真环境,在该环境下的仿真结果表明,在学习到的策略的控制下,AUV能够实现网箱的自主绕行巡检,轨迹稳定平滑,验证了论文方法的有效性。