文献

J-GLOBAL ID：201902265994586899   整理番号：19A1542752

強化学習による未知環境における海上自律水上船の経路計画【JST・京大機械翻訳】

Path Planning of Maritime Autonomous Surface Ships in Unknown Environment with Reinforcement Learning

著者 (4件)： Wang Chengbo (Key Laboratory of Marine Simulation and Control for Ministry of Communications, Dalian Maritime University, Dalian, China) ,  Zhang Xinyu (Key Laboratory of Marine Simulation and Control for Ministry of Communications, Dalian Maritime University, Dalian, China) ,  Li Ruijie (Key Laboratory of Marine Simulation and Control for Ministry of Communications, Dalian Maritime University, Dalian, China) ,  Dong Peifang (School of Mechanical Engineering, Nanjing University of Science and Technology, Nanjing, China)
資料名： Communications in Computer and Information Science  (Communications in Computer and Information Science)
巻： 1006  ページ： 127-137  発行年： 2019年 
JST資料番号： W5071A  ISSN： 1865-0929  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： ドイツ (DEU)  言語： 英語 (EN)

抄録/ポイント： 最近,強化学習と深い学習によって表現される人工知能アルゴリズムは,自律的駆動技術の開発を促進した。船舶産業のために,海洋自律性表面船舶(MASS)の研究開発は,学術的価値と実際的重要性を持った。未知環境では,MASSは環境と相互作用し,行動決定,知的衝突回避,経路計画を行う。強化学習バランス探索と開発は,報酬データを得るために環境と相互作用することによってそれ自身の挙動を改善する。このように,未知の環境におけるMASSのための知的衝突回避と経路計画を達成するために,強化学習に基づくMASSの経路計画アルゴリズムを確立した。最初に,無人船と強化学習の研究状態をレビューした。強化学習の4つの基本要素を分析する:環境モデル,インセンティブ関数,価値関数,および戦略。第二に,ポート環境モデル,センサモデル,MASS行動空間,報酬関数,および行動選択戦略を別々に設計した。その上,報酬関数は障害を避けて,目標点に近づくことから成る。最終的に,Pythonとpyゲームプラットフォームに基づいて,シミュレーション実験を,Rizhao港地区を事例研究として実施し,この方法がより良い自己適応性を有することを検証した。このモデルは,オンライン試行と誤差自己学習を通して障害物をうまく回避し,未知環境における適応経路を計画する。Copyright 2019 Springer Nature Singapore Pte Ltd. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 港湾 ,  事例研究 ,  相互作用 ,  計算機シミュレーション ,  センサ ,  衝突回避 ,  船舶 ,  人工知能 ,  *経路探索 ,  アルゴリズム ,  評価関数 ,  *強化学習
準シソーラス用語： オンライン ,  Python ,  *自律性 ,  *未知環境 , 【Automatic Indexing@JST】

著者キーワード (4件)： 強化学習 ,  衝突回避 ,  経路計画 ,  海上自律水上船

分類 (2件)： 航海と実務  (TD01020F) ,  人工知能  (JE08000Z)

タイトルに関連する用語 (6件)： 強化学習 ,  未知環境 ,  海上 ,  自律 ,  水上船 ,  経路計画