PulseAugur
中
实时 07:13:15
English(EN) CRRL: A Causality-Based Reinforcement Learning Framework for Autonomous System Recovery

基于因果关系的强化学习框架增强自主系统恢复能力

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了CRRL，一个将基于因果关系的强化学习与面向自主代理的基于规则的恢复系统相结合的新型框架。该方法解决了传统强化学习的局限性，传统强化学习常常难以应对新颖的故障场景并可能导致系统瘫痪。通过整合从驾驶日志中获得的因果理解，CRRL训练策略以预测并有效地与基于规则的干预措施协同工作，从而提高了奖励、距离和速度等性能指标。该框架在驾驶场景中取得了成功，一些代理在无需恢复干预的情况下实现了导航能力。 AI

影响 该框架有望提高自主系统在复杂和不可预测环境中的可靠性和适应性。

排序理由 该集群包含一篇详细介绍自主系统恢复新框架的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

基于因果关系的强化学习框架增强自主系统恢复能力

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Safia Fatima, Kai Olav Ellefsen, Leon Moonen ·

    CRRL: A Causality-Based Reinforcement Learning Framework for Autonomous System Recovery

    arXiv:2607.03177v1 Announce Type: cross Abstract: Traditional reinforcement learning (RL) for recovery in autonomous systems lacks causal understanding and generalizes poorly to novel failure scenarios. RL policies often stall in failure states, spending up to 70% of an episode i…

相关实体

相关话题