Resumen

En este documento, presentamos un método de planificación en línea de evasión de obstáculos para vehículos submarinos no tripulados (UUV) basado en redes neuronales recurrentes de relojería (CW-RNN) y memoria a corto plazo (LSTM), respectivamente. En esencia, la planificación en línea de evasión de obstáculos de UUV es un problema de planificación de secuencias espacio-temporales con la secuencia de datos espacio-temporales de los sensores como entrada y la instrucción de control al controlador de movimiento de UUV como salida. Y las redes neuronales recurrentes (RNNs) han demostrado ofrecer un rendimiento de vanguardia en muchas tareas de etiquetado de secuencias y predicción de secuencias. Para entrenar las redes, se genera un conjunto de datos de evasión de obstáculos de UUV y se adopta un entrenamiento y prueba fuera de línea en este documento. Finalmente, se comparan los dos tipos de planificadores de evasión de obstáculos en línea basados en RNN en costo de trayectoria, tasa

• Materias:Modelo de tráfico Sistemas antifrágiles Sistemas multiagente Componentes complejos
• Subjects:Traffic model Anti-fragile systems Multiagent systems Complex components
• Palabras claves:Planificación en línea de evasión de obstáculos; Vehículo submarino no tripulado; Red neuronal recurrente; Memoria a largo plazo; Planificación de secuencias espacio-temporales; RNN
• Keywords:Online obstacle avoidance planning; Unmanned underwater vehicle; Recurrent neural network; Long short-term memory; Spatiotemporal sequence planning; RNNs