Reinforcement Learning per la Navigazione Autonoma Marittima: Studio e Implementazione

In questa tesi si presentano, analizzano e approfondiscono i metodi di Reinforcement Learning applicati alle tecniche di navigazione. Lo scopo è fornire una panoramica dei metodi tradizionali e della loro implementazione per renderli autonomi. L’approccio si basa sulla capacità di decision-making di un agente RL che viene addestrato per ottimizzare la navigazione autonoma in tempo reale, al fine di minimizzare il rischio di collisioni con oggetti sulla superficie del mare. Grazie all’analisi di diversi algoritmi RL è possibile determinare quale addestramento sia il più adatto per gestire la complessità degli ambienti marini, tenendo in considerazione più fattori tra cui la velocità con cui l’agente agisce. I risultati mostrano miglioramenti significativi nelle decisioni prese dall’agente, permettendo di aprire nuove prospettive e, dunque, avvicinarsi sempre di più all’obiettivo di una navigazione autonoma più sicura.