Resumen

El control del seguimiento de la trayectoria basado en el comportamiento del waypoint es una forma prometedora para que los vehculos de superficie no tripulados (USV) logren una navegacin autnoma. Este estudio tiene como objetivo el progreso de guiado en la cinemtica; se adopta el mtodo de inteligencia artificial de aprendizaje profundo para mejorar el nivel de seguimiento de trayectoria del USV. En primer lugar, se construyen dos modelos de red neuronal profunda (DNN) para evaluar los efectos de la navegacin y estimar los parmetros de la ley de guiado en tiempo real, respectivamente. A continuacin, preentrenamos la DNN utilizando una mquina de Boltzmann restringida GaussianBernoulli para mejorar an ms la precisin de la prediccin del efecto de navegacin. Por ltimo, se conectan dos DNN en paralelo con el bucle de control del USV para proporcionar supervisin predictiva y toma de decisiones auxiliar para los mtodos de control tradicionales. Este tipo de forma paralela se ajusta a la manipulacin del barco por costumbre. Adems, desarrollamos una nueva aplicacin basada en la programacin por intervalos del conjunto operativo orientado a misiones denominada pDeepLearning. Puede predecir el efecto de navegacin en lnea mediante DNN y ajustar los parmetros de la ley de guiado segn el nivel de efecto. Los resultados experimentales muestran que, en comparacin con el comportamiento original del USV, el modelo de prediccin propuesto en este estudio reduce el error de seguimiento de la trayectoria en un 19,0% y aumenta el nivel de efecto del comportamiento del waypoint.

• Materias:Algebra Algoritmos (Matemáticas) Ingeniería Lógica matemática Matemáticas
• Subjects:Algebra Agorithms (Math) Engineering Mathematical logic mathematics
• Palabras claves:Control de seguimiento de trayectorias; Comportamiento de waypoints; Vehículo de superficie no tripulado; Navegación autónoma; Aprendizaje profundo; Red neuronal profunda
• Keywords:Trajectory tracking control; Waypoint behavior; Unmanned surface vehicle; Autonomous navigation; Deep learning; Deep neural network