Anticipatory Reinforcement Learning

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

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。