无人水面航行器作为一种自主水上运载平台,在海洋监测、环境保护以及应急救援中发挥着至关重要的作用,而不同的任务需要部署水面航行器到不同环境,因此需要准确、可靠的导航技术引导水面航行器顺利执行任务。目前一个完整的自主导航系统通常划分为建图、规划和控制,需要针对每一环节设计相应的算法,并建立各模块之间的联系。其中局部路径规划算法和运动控制算法是自主导航系统的重要组成部分,直接决定了导航系统的性能。为进一步提高水面航行器的自主作业能力,本文围绕无人水面航行器的局部路径规划和运动控制算法展开研究,并进行了仿真和实物实验。具体来说,本文的主要研究内容和研究成果如下:1.基于深度强化学习构建了水面航行器的局部路径规划算法,设计了无动力学环境对深度强化学习模型进行训练,减少模型收敛时间的同时,也可以避免水上环境建模的繁琐。另外,针对深度强化学习应用于机器人导航存在的模拟到现实迁移问题,对环境信息引入域随机化,提高模型的泛化性和可迁移性。但在复杂多变的场景中训练会使得深度强化学习收敛困难,因此本文精心设计了自适应课程学习方案来加速神经网络的收敛。同时,也提出了一致性策略,通过考虑稳定性和执行器约束来预测控制指令,提高导航指令的可行性和轨迹平滑性。2.对本文所用水面航行器进行了运动学和动力学建模,并设计了两种运动控制器,分别是基于自适应控制的传统算法以及基于强化学习的智能算法,对比分析了两种控制算法在跟随不同输入信号以及干扰下的表现。3.为了评估所提出方法的有效性,本文在仿真环境下进行了广泛的实验,展示了所提出算法在收敛速度、泛化性、鲁棒性和轨迹平滑度等方面的优越性。更进一步的,在物理平台上开发了局部规划控制系统并投入到实际水上环境进行测试,通过定性、定量的分析,验证了所提出方法可以直接部署于水面航行器中,而不需要额外的调整和训练,并且相比于人工势场法,具有更短的导航路径和更好的轨迹平滑性。