Multi-AUV Cooperative Underwater Multi-Target Tracking Based on Dynamic-Switching-enabled Multi-Agent Reinforcement Learning

随着水下通信、感知、自动化和机器人技术的快速发展，自主水下车辆(AUV)群体逐渐普及，并在海洋探索、水下跟踪或监视等方面得到广泛推广。然而，复杂的水下环境对AUV群体的精确跟踪水下移动目标提出了重大挑战。本文旨在提出一种多AUV协作水下多目标跟踪算法，特别是当考虑到真实的水下因素时。我们首先提出了基于水声探测和海洋水流干扰的目标跟踪过程的正常建模方法。然后，我们将AUV群体视为水下自组织网络，并提出了一种基于软件定义网络(SDN)的新型多智能体强化学习(MARL)架构。它通过集中管理和分布式操作增强了AUV群体的灵活性和可扩展性。基于所提出的MARL架构，我们提出了“动态关注切换”和“动态重采样切换”机制，以增强AUV群体在任务执行期间的协作效率和准确性。最后，基于所提出的AUV分类方法，我们提出了一种高效的协作跟踪算法ASMA。评估结果表明，与许多最近的研究产品相比，我们提出的跟踪算法在收敛速度和跟踪精度方面可以进行精确的水下多目标跟踪。

本文旨在提出一种多AUV协作的水下多目标跟踪算法，特别是在考虑到真实水下因素的情况下。同时，解决了AUV群体精确跟踪水下移动目标的挑战。

本文提出了一种基于软件定义网络（SDN）的多代理强化学习（MARL）架构，将AUV群体视为水下自组织网络，从而增强了AUV群体的灵活性和可扩展性。在此基础上，提出了“动态注意力切换”和“动态重采样切换”机制，以提高AUV群体在任务执行期间的效率和准确性。

本文的亮点包括：1.提出了基于软件定义网络的多代理强化学习架构。2.提出了“动态注意力切换”和“动态重采样切换”机制。3.提出了高效的协作跟踪算法ASMA。评估结果表明，与许多最近的研究产品相比，我们提出的跟踪算法可以在收敛速度和跟踪精度方面执行精确的水下多目标跟踪。

近期的相关研究包括：1. “A Survey of Autonomous Underwater Vehicle Networks: Recent Advances and Future Challenges” 2. “Multi-robot Coordination Based on Multi-agent Reinforcement Learning” 3. “Underwater Multi-target Tracking Based on Improved Particle Swarm Optimization Algorithm”