Hamilton-Jacobi-Bellman equations and approximate dynamic programming on time scales
PulseAugur coverage of Hamilton-Jacobi-Bellman equations and approximate dynamic programming on time scales — every cluster mentioning Hamilton-Jacobi-Bellman equations and approximate dynamic programming on time scales across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
DeepPAAC：用于主代理问题的新型深度学习方法揭晓
研究人员开发了DeepPAAC，一种旨在解决连续时间内复杂主代理问题的新型深度学习方法。这种名为深度主代理演员-评论家（Deep Principal-Agent Actor Critic）的新算法能够处理多维状态、控制和约束，解决了哈密顿-雅可比-贝尔曼方程中隐式哈密顿量带来的挑战。该研究通过五个不同的案例研究，探讨了神经网络架构和训练的各个方面，以确保求解器的收敛性。
-
New principle establishes stability threshold for residual neural network architectures
研究人员为深度残差架构引入了“亚线性增长原理”，为速度场的输入幅度指数建立了严格的稳定性阈值。该原理得到了常微分方程理论和最优控制分析的支持，认为指数 q=1 对于稳定的训练和推理是必要且充分的。实验表明，即使没有层归一化，修改 Mamba 块以符合此 q<=1 标准也能实现稳定训练，这表明该指数比归一化层更关键。
-
新型神经网络优化月球着陆器轨迹
研究人员开发了一种新颖的最优性感知神经网络（OINN）方法，用于优化月球着陆器在动力下降过程中的轨迹。该方法将最优性的必要条件，如庞特里亚金最小原理和Hamilton-Jacobi-Bellman方程，直接硬编码到网络架构中。OINN方法与独立求解的边值问题和蒙特卡洛模拟进行了测试，结果显示出高度一致性，且残差始终很小，表明其在计算成本固定的情况下具有实时部署的潜力。
-
UAV自动驾驶仪通过风险过滤Q学习得到增强
研究人员开发了一种新的固定翼UAV自动驾驶仪监督方法，旨在提高路径跟踪精度并保持安全性。该方法在现有自动驾驶仪之上放置一个学习到的监督器，为空速、高度和航向选择残差指令。该系统使用受Hamilton-Jacobi-Bellman启发的评论员和控制-Lyapunov障碍来过滤这些指令，确保安全的备用选项。
-
新的测地线框架通过切线约束改进图像分割
研究人员开发了一个新的用于图像分割的测地线框架，该框架将切线约束先验与曲率惩罚相结合。这种方法将路径切线限制在从内在形状代表派生出的特定角度扇区内，从而提高了对弱边界和拓扑捷径的鲁棒性。该方法相关的 Hamilton-Jacobi-Bellman 方程可以使用快速行进方法进行有效求解，在各种图像类型的分割结果中提供了更高的形状保真度。