Chinese Journal of Ship Research, Volume. 19, Issue 6, 219(2024)
Attitude control of catamaran based on deep reinforcement learning
Figures & Tables(18)
![[in Chinese]](/Images/icon/loading.gif){kind=icon}
Table 1. Hull parameters of catamarans
View tableView in ArticleTable 1. Hull parameters of catamarans
参数 数值 参数 数值 船长/m 22.000 吃水/m 1.700 船宽/m 9.500 横稳心高/m 10.229 船高/m 4.750 排水量/t 104.800
Table 2. Parameters of wave and fin model
View tableView in ArticleTable 2. Parameters of wave and fin model
鳍参数 数值 海浪参数 数值 $ \rho /({\text{t}} \cdot {{\text{m}}^{ - 3}}) $ 1.025 $ g/({\text{m}} \cdot {{\text{s}}^{ - 2}}) $ 9.81 $ {S_{{\text{f}}1}}/{{\text{m}}^2} $ 1.0 $ {h_{1/3}}/{\text{m}} $ 1.0 $ {S_{{\text{f2}}}}/{{\text{m}}^2} $ 1.2 $ \beta/(^\circ) $ 180 $ {L_{{\text{P1}}}}/{\text{m}} $ 6 $ {L_{{\text{P2}}}}/{\text{m}} $ 6 $ {\text{d}}{C_{\text{L}}}/{\text{d}}\alpha $ 0.03
Table 3. Parameters of catamaran model
View tableView in ArticleTable 3. Parameters of catamaran model
参数 $ {A_{33} }/{\text{t} } $ $ {A_{35}}/({\text{t}} \cdot {\text{m)}} $ $ {A_{53}}/({\text{t}} \cdot {\text{m)}} $ $ {A_{55} }/({\text{t} } \cdot { {\text{m} }^2}) $ $ {B_{33}}/({\text{t}} \cdot {{\text{s}}^{ - 1}}) $ $ {B_{35}}/({\text{t}} \cdot {\text{m}} \cdot {{\text{s}}^{ - 1}}) $ $ {B_{53}}/({\text{t}} \cdot {\text{m}} \cdot {{\text{s}}^{ - 1}}) $ $ {B_{55}}/({\text{t}} \cdot {{\text{m}}^2} \cdot {{\text{s}}^{ - 1}}) $ 工况1 138.111 −241.452 260.555 5228.667 89.505 318.409 −298.508 4947.048 工况2 137.127 −275.305 296.728 5510.864 88.597 374.072 −357.666 5839.849 工况3 137.127 −327.308 348.000 5979.413 88.597 440.594 −424.188 7123.976 参数 $ {C_{33}}/({\text{t}} \cdot {{\text{s}}^2}) $ $ {C_{35}}/({\text{t}} \cdot {\text{m}} \cdot {{\text{s}}^{ - 2}}) $ $ {C_{53}}/({\text{t}} \cdot {\text{m}} \cdot {{\text{s}}^{ - 2}}) $ $ {C_{55}}/({\text{t}} \cdot {{\text{m}}^2} \cdot {{\text{s}}^{ - 2}}) $ 工况1 514.374 −195.159 −195.159 16586.51 工况2 514.374 −195.159 −195.159 16586.51 工况3 514.374 −195.159 −195.159 16586.51
Table 4. DDPG algorithm parameters
View tableView in ArticleTable 4. DDPG algorithm parameters
参数 折扣因子 $ \gamma $ 平滑因子 $ \tau $ Actor隐层数 Critic隐层数 隐层神经元个数 每回合步数T 只控制前鳍 0.99 0.005 2 3 64 6 000 只控制后鳍 0.99 0.005 2 3 64 6 000 前后鳍协同控制 0.99 0.005 2 3 128 6 000 参数 回合数N Actor学习率 Critic学习率 学习率衰减因子 回放池容量B 每批训练量M 只控制前鳍 500 0.000 1 0.001 0.995 1 000 000 256 只控制后鳍 500 0.000 1 0.001 0.995 1 000 000 256 前后鳍协同控制 500 0.000 1 0.001 0.995 1 000 000 256
Table 5. Parameters for different operating conditions
View tableView in ArticleTable 5. Parameters for different operating conditions
工况 航速/kn 有义波高/m 工况1 18 1 工况2 22 2 工况3 26 4
Table 6. Reward function parameters
View tableView in ArticleTable 6. Reward function parameters
参数 数值 参数 数值 $ {\lambda _1} $ 0.6 $ {\lambda _4} $ 0.03 $ {\lambda _2} $ 0.06 $ {\lambda _5} $ 0.003（方式1和3）0（方式2） $ {\lambda _3} $ 0.3 $ {\lambda _6} $ 0.003（方式2和3）0（方式1）
Table 7. Pitch control effect under different control modes
View tableView in ArticleTable 7. Pitch control effect under different control modes
控制方式 MAV/(°) RMS/(°) Max/(°) Min/(°) $ {\eta _{\text{p}}} $ 无控制 4.903 5.914 13.775 −13.983 方式1（DDPG） 3.031 3.623 11.131 −11.548 38.751 方式1（GA-LQR） 3.090 3.690 11.133 −11.780 37.613 方式2（DDPG） 2.573 3.145 10.560 −10.811 46.828 方式2（GA-LQR） 2.841 3.399 10.383 −11.111 42.828 方式3（DDPG） 1.255 1.622 7.266 −7.130 72.581 方式3（GA-LQR） 1.680 2.077 6.716 −7.851 64.881
Table 8. Heave control effect under different control modes
View tableView in ArticleTable 8. Heave control effect under different control modes
控制方式 MAV/m RMS/m Max/m Min/m $ {\eta _{\text{h}}} $ 无控制 0.513 0.616 1.608 −1.516 方式1（DDPG） 0.311 0.385 1.150 −1.164 37.437 方式1（GA-LQR） 0.299 0.368 1.075 −1.169 40.296 方式2（DDPG） 0.287 0.361 1.100 −1.146 41.368 方式2（GA-LQR） 0.281 0.343 0.953 −1.130 44.307 方式3（DDPG） 0.186 0.238 0.732 −0.902 61.280 方式3（GA-LQR） 0.203 0.248 0.704 −0.945 59.656
Tools
Get Citation
Copy Citation Text
Leihong QIN, Songtao ZHANG, Xiaofeng NAN, Qiming ZHONG. Attitude control of catamaran based on deep reinforcement learning[J]. Chinese Journal of Ship Research, 2024, 19(6): 219
Paper Information
Category: Ship Design and Performance
Received: Aug. 3, 2023
Accepted: --
Published Online: Mar. 14, 2025
The Author Email:
© Copyright 2018-2021 | Chinese Laser Press.
All Rights Reserved 沪ICP备15018463号-20