多艇任务分配算法及多维度评估策略数据集

多艇任务分配算法及多维度评估策略数据集包含2个子数据集，子数据集1：基于深度强化学习的多无人艇追逃博弈算法仿真数据集，子数据集2：欠驱动无人艇安全追逃博弈仿真与实验数据集。子数据集1研究了一种追逃博弈场景：在封闭且有界的空间环境中，多个欠驱动无人艇（ASV）需在移动与静止障碍物存在的情况下，对单个ASV进行追踪。追击方与逃逸方ASV均采用完全未知的模型。研究设计了一种完全基于数据的学习与控制方案，通过结合深度强化学习（DRL）和模型预测路径积分（MPPI）控制技术，实现追逃博弈行为。具体而言，首先利用记录的输入-输出数据训练门控循环单元（GRU）神经网络以学习各ASV的状态转移函数；随后，在考虑艇间避碰以及与移动/静止障碍物避障的基础上，根据所学状态转移函数设计 MPPI 控制律，实现对逃逸方的精准追踪。值得注意的是，通过利用随机及新数据进行学习后，即使缺乏模型信息也能实现该追逃博弈。仿真结果验证了所提出的基于GRU神经网络的 DRL 方法在欠驱动ASV追逃博弈中的有效性。子数据集2面向复杂障碍环境下两组欠驱动无人艇的追逃博弈任务，记录分布式对手状态估计、微分博弈制导和速率可调控制障碍函数（RT-CBF）安全优化的仿真与实船数据。仿真场景包含4艘追捕艇、4艘逃逸艇、3个静态障碍物和1个动态障碍物，共593个时刻；港池试验包含2艘追捕艇、2艘逃逸艇和1个静态障碍物，共223条JSON Lines记录。数据包括艇位、艏向、合速度、艏向角速度、估计状态、追逃距离、安全距离、RT-CBF参数、Python绘图程序和结果图。结果显示，仿真中最后一艘逃逸艇约在175 s被捕获，实船试验中两艘逃逸艇均被捕获。数据可用于多艇追逃博弈、分布式估计、安全控制和算法复现研究；论文参数与程序参考线的差异在质量控制部分说明。