PulseAugur
中
实时 02:27:15
English(EN) Meta-Learning for Rapid Adaptation in Reference Tracking of Uncertain Nonlinear Systems

元学习框架加速控制系统在数据有限情况下的自适应

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种新颖的元学习框架，用于设计不确定非线性系统的最优控制器，尤其是在目标系统数据稀缺的情况下。该方法利用来自类似源系统的离线数据，在在线自适应阶段加速训练并提高控制性能。该框架被构建为一个双层优化问题，并且可以集成各种学习算法，包括神经状态空间模型和深度Q网络，在模拟和硬件实验中均显示出优于基线方法的性能。 AI

影响 这项研究有望在数据有限的情况下实现更高效、更有效的控制系统，可能对机器人和自主系统产生影响。

排序理由 该集群包含一篇详细介绍新研究方法的学术论文。[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 →

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Alisa Rupenyan ·

    Meta-Learning for Rapid Adaptation in Reference Tracking of Uncertain Nonlinear Systems

    In this paper, we address the problem of reference tracking for uncertain nonlinear systems. Since collecting data from the target system (i.e., the system of interest) is often challenging, our objective is to design optimal controllers using limited target system data. Meta-lea…

相关实体

相关话题