PulseAugur
中
实时 12:07:04
English(EN) Integrating Physics-Informed Neural Networks for Safe Reinforcement Learning in a 1-DoF Helicopter System

物理信息神经网络增强强化学习的安全性

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种新方法，以增强工业网络物理系统中深度强化学习（DRL）的安全性。他们的方法将可微分物理模型直接集成到近端策略优化（PPO）的actor损失函数中。这使得策略在训练过程中能够因预期的安全违规而受到惩罚，而与主要任务奖励无关。在模拟的单自由度直升机上进行测试，这种物理信息正则化显著减少了约束违规，同时保持了可靠的性能。 AI

影响 提高了关键工业应用中AI控制系统的安全性和可靠性。

排序理由 学术论文，详细介绍了一种新的安全强化学习方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

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

物理信息神经网络增强强化学习的安全性

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Georg Sch\"afer, Jakob Rehrl, Stefan Huber ·

    Integrating Physics-Informed Neural Networks for Safe Reinforcement Learning in a 1-DoF Helicopter System

    arXiv:2607.03125v1 Announce Type: new Abstract: Deep reinforcement learning (DRL) offers powerful control for industrial cyber-physical systems (ICPSs), but its "black-box" exploration risks violating strict hardware safety limits. Typically, these constraints are managed through…

相关实体

相关话题