Robust Autonomous UAV Landing on Maritime Platforms via Multimodal Agentic AI and Active Wave Compensation
作者: Francisco S. Neves, Pedro N. Pereira, Raul D. S. G. Campilho, Andry M. Pinto
分类: cs.CV, cs.RO
发布日期: 2026-06-30
💡 一句话要点
提出多模态智能体与主动波浪补偿以解决无人机海上平台安全着陆问题
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 无人机 海洋平台 深度强化学习 多模态智能体 波浪补偿 自主着陆 海洋工程
📋 核心要点
- 现有的无人机海上着陆方法在随机海况下存在高动能冲击和倾覆风险，影响安全性。
- 本文提出了一种解耦的多车辆着陆框架，结合USV和UAV，通过深度强化学习实现波浪补偿和最终接近控制。
- 在高保真海洋模拟中，系统在各种波浪状态下实现了100%的着陆成功率，显著提升了稳定性和安全性。
📝 摘要（中文）
海洋基础设施的自主空中检查常常受到随机海况的影响，增加了高动能冲击、着陆后倾覆和传感器遮挡的风险。本文提出了一种解耦的多车辆着陆框架，协调配备3-RPU稳定平台的无人水面艇（USV）与稳健的无人机（UAV）。该架构利用两个独立的深度强化学习（DRL）智能体：一个软演员-评论家（SAC）智能体为着陆平台提供高频波动补偿，另一个多模态RL智能体用于无人机的最终接近。在高保真海洋模拟中评估，该系统在波浪状态从平静到剧烈变化的15次试验中实现了100%的着陆成功率。结果显示，在恶劣条件下，平均稳定性效能为87.8%，在96%的任务时间内将着陆面保持在水平面1度以内，有效提高了着陆安全性。
🔬 方法详解
问题定义：本文旨在解决无人机在海上平台着陆时因随机海况导致的高动能冲击和倾覆风险。现有方法在应对复杂海洋环境时存在显著不足，无法保证安全着陆。
核心思路：论文提出的解决方案是通过解耦的多车辆系统，利用USV提供稳定的着陆平台，并通过深度强化学习智能体进行波浪补偿和无人机接近控制，以提高着陆的安全性和成功率。
技术框架：整体架构包括两个主要模块：一个是软演员-评论家（SAC）智能体，负责实时波动补偿；另一个是多模态RL智能体，负责无人机的最终接近控制。两个智能体协同工作，确保在不同海况下的稳定着陆。
关键创新：最重要的创新点在于将USV与UAV的协同控制结合深度强化学习技术，形成了一种新颖的多车辆着陆框架，显著提高了在复杂海洋环境中的着陆成功率和稳定性。
关键设计：在设计中，SAC智能体通过高频反馈调整USV的姿态，确保着陆平台的稳定性；多模态RL智能体则通过学习无人机的接近策略，优化着陆过程中的控制决策。
🖼️ 关键图片
📊 实验亮点
实验结果显示，该系统在15次试验中实现了100%的着陆成功率，且在恶劣海况下，平均稳定性效能达到87.8%。在96%的任务时间内，着陆面保持在水平面1度以内，显著提高了着陆的安全性和可靠性。
🎯 应用场景
该研究的潜在应用领域包括海洋基础设施的自主检查、海上救援任务以及无人机在复杂环境下的操作。通过提高无人机在海上平台的着陆安全性，能够有效降低事故风险，提升海洋作业的效率和安全性，具有重要的实际价值和广泛的应用前景。
📄 摘要（原文）
Autonomous aerial inspection of marine infrastructure is frequently compromised by stochastic sea states, introducing risks of high-kinetic impacts, post-landing toppling, and sensory occlusion. This paper proposes a decoupled, multi-vehicle landing framework synchronizing an Unmanned Surface Vehicle (USV) equipped with a 3-RPU stabilized platform with a robust Unmanned Aerial Vehicle (UAV). The architecture utilizes two independent Deep Reinforcement Learning (DRL) agents: a Soft Actor-Critic (SAC) agent providing high-frequency wave-motion compensation for the landing deck, and a multimodal RL agent for the UAVs final approach. Evaluated in high-fidelity maritime simulations, the system achieved a 100% landing success rate across 15 trials in wave states varying from calm to rough. Results show a mean stabilization efficacy of 87.8%, maintaining the landing surface within 1 degree of the horizontal plane for 96% of the mission duration in rough conditions, effectively contributing to safer landings.