PulseAugur
中
实时 08:53:45
English(EN) Anticipatory Reinforcement Learning for Trajectory Tracking

预期强化学习改进轨迹跟踪，但仿真到现实的差距依然存在

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种名为预期强化学习（ARL）的新方法，以改进工业控制系统中的轨迹跟踪。该方法通过增加未来参考视界来扩展状态空间，旨在减少纯粹反应式深度强化学习（DRL）系统中常见的滞后和超调。虽然仿真显示误差显著减少了9倍，但将模型转移到物理硬件上时，暴露了仿真到现实的差距。有趣的是，具有单一前瞻视界的更简单的ARL配置，在现实世界的性能上与更复杂的模型相当，这表明对于有效的物理迁移来说，高度精细的预测数据并非总是必需的。 AI

影响 这项研究可能为工业应用带来更精确、响应更快的控制系统，从而可能减少错误并提高效率。

排序理由 详细介绍新强化学习公式和实验结果的学术论文。[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 →

预期强化学习改进轨迹跟踪，但仿真到现实的差距依然存在

报道来源 [1]

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

    Anticipatory Reinforcement Learning for Trajectory Tracking

    arXiv:2607.03132v1 Announce Type: new Abstract: Deep reinforcement learning (DRL) in industrial control often suffers from lag and overshoot due to purely reactive control based on the current tracking error. To achieve anticipatory control without high computational overhead, we…

相关实体

相关话题