Resumen

Durante la misión en el mar, el control de dirección del barco para los movimientos de guiñada del vehículo autónomo de superficie inteligente (VASI) es una tarea muy desafiante. En este documento, se propone una red neuronal cuántica (QNN) que aprovecha las capacidades de aprendizaje y la rápida tasa de aprendizaje para actuar como módulo de jerarquía de control de retroalimentación fundamental en la estrategia de planificación y control del VASI. Las simulaciones numéricas han demostrado que el controlador de dirección QNN podría mejorar significativamente el rendimiento de la tasa de aprendizaje en comparación con las redes neuronales convencionales. Además, el experimento de control de dirección numérico y práctico del VASI BAICHUAN ha mostrado un buen rendimiento de control similar al controlador de dirección PID convencional y confirma la viabilidad del controlador de dirección QNN para aplicaciones de ingeniería de planificación y control de VASI en el futuro.

• Materias:Modelo de tráfico Sistemas antifrágiles Sistemas multiagente Componentes complejos
• Subjects:Traffic model Anti-fragile systems Multiagent systems Complex components
• Palabras claves:Barco; Control de dirección; Red neuronal cuántica; IASV; Tasa de aprendizaje; Rendimiento del control
• Keywords:Ship; Steering control; Quantum neural network; IASV; Learning rate; Control performance