Προηγμένες μέθοδοι ενισχυτικής μάθησης για την αυτόνομη πλοήγηση μη επανδρωμένων σκαφών

Περίληψη

Η αυξανόμενη ανάπτυξη αυτόνομων ναυτιλιακών συστημάτων έχει δημιουργήσει την ανάγκη για ευφυείς μεθόδους πλοήγησης, ικανές να λειτουργούν αξιόπιστα σε σύνθετα, δυναμικά και αβέβαια περιβάλλοντα. Τα Μη Επανδρωμένα Επιφανειακά Οχήματα (Unmanned Surface Vehicles, USVs) αποτελούν ιδιαίτερα απαιτητικές αυτόνομες πλατφόρμες, καθώς η πλοήγησή τους επηρεάζεται από περιβαλλοντικές διαταραχές, κινούμενα σκάφη, περιορισμούς στην αντίληψη του περιβάλλοντος και την απαίτηση διατήρησης ασφαλών αποστάσεων από τα περιβάλλοντα εμπόδια. Παρότι η Βαθιά Ενισχυτική Μάθηση (Deep Reinforcement Learning, DRL) παρέχει ένα πολλά υποσχόμενο πλαίσιο για την εκμάθηση πολιτικών πλοήγησης μέσω αλληλεπίδρασης με ένα περιβάλλον, η εφαρμογή της στην αυτόνομη ναυτιλιακή πλοήγηση εξακολουθεί να αντιμετωπίζει προκλήσεις που σχετίζονται με την ασφάλεια, τη διαθεσιμότητα γνώσης από ειδικούς, τη γενίκευση και τον συντονισμό μεταξύ πολλαπλών αυτόνομων σκαφών. Η παρούσα διδακτορική διατριβή διερευνά προηγμένες μεθόδους ενισχυτ ...
περισσότερα

Περίληψη σε άλλη γλώσσα

The increasing development of autonomous maritime systems has created a need for intelligent navigation methods capable of operating reliably in complex, dynamic, and uncertain environments. Unmanned Surface Vehicles (USVs) are particularly challenging autonomous platforms because their navigation is affected by environmental disturbances, moving vessels, limited perception, and the requirement to maintain safe separation from surrounding obstacles. While deep reinforcement learning (DRL) provides a promising framework for learning navigation policies through interaction with an environment, its application to autonomous maritime navigation remains constrained by issues related to safety, the availability of expert knowledge, generalization, and coordination among multiple autonomous vessels. This dissertation investigates advanced reinforcement learning methods for autonomous USV navigation, with particular emphasis on developing learning-based navigation policies that are effective, ...
περισσότερα
Η διατριβή είναι δεσμευμένη από τον συγγραφέα  (μέχρι και: 11/2028)
DOI
10.12681/eadd/63028
Διεύθυνση Handle
http://hdl.handle.net/10442/hedi/63028
ND
63028
Εναλλακτικός τίτλος
Advanced reinforcement learning methods for autonomous navigation of unmanned surface vessels
Συγγραφέας
Σάισι, Πιγάπουμ (Πατρώνυμο: Σομσάι)
Ημερομηνία
10/2026
Ίδρυμα
Πανεπιστήμιο Ιωαννίνων. Σχολή Πολυτεχνική. Τμήμα Μηχανικών Ηλεκτρονικών Υπολογιστών και Πληροφορικής
Εξεταστική επιτροπή
Μπλέκας Κωνσταντίνος
Βλάχος Κωνσταντίνος
Λύκας Αριστείδης
Βούρος Γεώργιος
Κόντης Λυσίμαχος-Παύλος
Νίκου Χριστόφορος
Σκιάνης Κωνσταντίνος
Επιστημονικό πεδίο
Επιστήμες Μηχανικού και Τεχνολογία ➨ Επιστήμη Ηλεκτρολόγου Μηχανικού, Ηλεκτρονικού Μηχανικού, Μηχανικού Η/Υ ➨ Αυτοματισμοί και Συστήματα ελέγχου
Λέξεις-κλειδιά
Ενισχυτική μάθηση; Βαθιά ενισχυτική μάθηση; Ενισχυτική μάθηση με περιορισμούς; Ασφαλής ενισχυτική μάθηση; Πολυπρακτορικά συστήματα; Πολλαπλασιαστές Lagrange με επίγνωση της κατάστασης; Πλοήγηση μη επανδρωμένων σκαφών επιφανείας; Αποφυγή συγκρούσεων; Ερμηνεύσιμες πολιτικές; Αυτόνομη πλοήγηση; Μάθηση μέσω μίμησης; Παραγωγικά ανταγωνιστικά δίκτυα; Μεταφορά γνώσης; Mηδενικής προσαρμογής
Χώρα
Ελλάδα
Γλώσσα
Αγγλικά
Άλλα στοιχεία
εικ., πιν.
Στατιστικά χρήσης
ΠΡΟΒΟΛΕΣ
Αφορά στις μοναδικές επισκέψεις της διδακτορικής διατριβής για την χρονική περίοδο 07/2018 - 07/2023.
Πηγή: Google Analytics.
ΞΕΦΥΛΛΙΣΜΑΤΑ
Αφορά στο άνοιγμα του online αναγνώστη για την χρονική περίοδο 07/2018 - 07/2023.
Πηγή: Google Analytics.
ΜΕΤΑΦΟΡΤΩΣΕΙΣ
Αφορά στο σύνολο των μεταφορτώσων του αρχείου της διδακτορικής διατριβής.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.
ΧΡΗΣΤΕΣ
Αφορά στους συνδεδεμένους στο σύστημα χρήστες οι οποίοι έχουν αλληλεπιδράσει με τη διδακτορική διατριβή. Ως επί το πλείστον, αφορά τις μεταφορτώσεις.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.