Controllo autonomo di imbarcazioni a vela in condizioni di match race

Il presente elaborato sviluppa un sistema di controllo autonomo e strategico per imbarcazioni a vela nelle competizioni di Match Race. L’obiettivo è addestrare un agente artificiale in grado di navigare in modo ottimale in condizioni competitive e incerte. Adottando l’approccio Deep Reinforcement Learning (DRL), l’ambiente di simulazione è stato modellato come un Processo Decisionale di Markov (MDP), incorporando una dinamica realistica della barca a vela e simulazioni stocastiche del vento. L’agente è stato addestrato tramite l’algoritmo Proximal Policy Optimization (PPO) per apprendere una politica decisionale che massimizzi la velocità efficace (VMG) e gestisca le manovre tattiche cruciali (numero di virate e ricerca di non collisione con gli ostacoli). La Reward Function è stata specificamente progettata per indirizzare l’agente verso la minimizzazione del tempo di percorrenza e l’ottimizzazione del numero di manovre. I risultati sperimentali dimostrano che l’agente DRL è in grado di sviluppare strategie di navigazione efficaci, raggiungendo l’obiettivo in tempi ragionevoli e mostrando notevole flessibilità in scenari complessi. Questo lavoro convalida l’efficacia del Reinforcement Learning nell’ambito nautico e getta le basi per l’emulazione completa di un match race realistico.