PulseAugur
中
实时 07:14:08
English(EN) HypEMBER: Hypernetwork-based Ensemble for Robust Policy Learning of Parametrized Dynamical Systems

HypEMBER框架增强了动力学系统的鲁棒策略学习

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员推出HypEMBER，一个新颖的强化学习框架，用于参数化动力学系统的鲁棒控制。该方法利用超网络生成基于系统参数的策略和价值函数，从而在不同状态下实现更好的泛化。通过集成策略和价值逼近器，HypEMBER量化了认知不确定性，提高了探索能力，并增强了对测量噪声和参数误设的鲁棒性。在Kuramoto-Sivashinsky方程和粒子导航任务上的实验表明，与现有强化学习方法相比，HypEMBER在训练稳定性、样本效率和鲁棒性方面表现更优。 AI

影响 为复杂动力学系统的鲁棒控制引入了一个新框架，可能改进机器人和科学模拟中的AI应用。

排序理由 该集群包含一篇详细介绍新强化学习框架的研究论文。[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 →

HypEMBER框架增强了动力学系统的鲁棒策略学习

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Nicol\`o Botteghi, Gabriele Pascali, Urban Fasel, Andrea Manzoni ·

    HypEMBER：基于超网络的集成方法，用于参数化动力系统的鲁棒策略学习

    arXiv:2607.19628v1 Announce Type: new Abstract: In this work we investigate reinforcement learning (RL) as a framework for the robust control of parametrized dynamical systems in presence of measurements and model uncertainties. High-dimensional state spaces, expensive numerical …

相关实体

相关话题