English(EN) Experience Constrained Hierarchical Federated Reinforcement Learning for Large-scale UAV Teams in Hazardous Environments

联邦强化学习框架优化危险环境下的无人机团队

作者 PulseAugur 编辑部 · [1 个来源] · 2026-05-05 04:00

研究人员引入了经验约束分层联邦强化学习（EC-HFRL）来解决在危险环境中训练大规模无人机团队所面临的挑战。该新框架提出，在经验生成受限的安全关键场景中，学习性能更多地取决于经验重用策略和关键梯度转换经验的识别，而不是简单地增加学习者参与度。实证结果表明，与集群内参与度相比，小批量大小和学习信号的结构在有效的重放暴露和整体性能方面起着更重要的作用。 AI

影响这项研究有望提高自主系统在复杂、安全受限环境中的训练效率。

排序理由这是一篇详细介绍联邦强化学习新框架的研究论文。[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 →

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Qinwei Huang, Rui Zuo, Simon Khan, Qinru Qiu · 2026-05-05 04:00

Experience Constrained Hierarchical Federated Reinforcement Learning for Large-scale UAV Teams in Hazardous Environments

arXiv:2605.02165v1 Announce Type: new Abstract: Conventional federated learning assumes that greater learner participation improves training performance, by leveraging abundant, independently generated local data. However, in federated reinforcement learning (FRL) for unmanned ae…

报道来源 [1]

Experience Constrained Hierarchical Federated Reinforcement Learning for Large-scale UAV Teams in Hazardous Environments

相关实体

相关话题