Continual Uncertainty Learning

新框架通过持续不确定性学习增强控制系统鲁棒性

研究人员开发了一个名为持续不确定性学习（CUL）的新框架，旨在提高处理多种不同不确定性的控制系统的鲁棒性。该方法采用基于课程的学习方法，将复杂的控制问题分解为逐步扩展不确定性范围的顺序任务。通过采用内存高效的正则化技术并嵌入基线模型控制器，CUL旨在提高学习效率并保留先前获得的策略。该框架成功应用于汽车动力总成的有源振动控制器，证明了其在非线性和动态变化方面的控制性能和鲁棒性得到了改善。