基于Dueling-DDQN的船舶智能避碰决策方法

针对由全球海上船舶数量增长导致的碰撞事故频发问题,提出一种基于深度强化学习(DRL)算法的船舶智能避碰决策模型,基于对抗双深度Q学习(Dueling-DDQN)与船舶领域模型的建立,设计奖励函数时充分考虑了《国际海上避碰规则》(COLREGs)及船舶偏航等要素,以确保避碰决策的合规性与合理性。搭建仿真环境模拟多船会遇场景,并利用神经网络模型处理复杂环境信息,进行模型训练与验证。实验结果表明,相比传统深度Q学习算法,本文模型在收敛速度和稳定性方面均表现出显著优势,能够准确判断会遇局面,并依据COLREGs采取恰当的避碰措施,展现出较高的决策准确性和可靠性,可为船舶在复杂海况下的智能航行提供有效的决策支持。