optimal control
PulseAugur coverage of optimal control — every cluster mentioning optimal control across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的 arXiv 论文对优化器进行基准测试并为反问题去偏 PINN
两篇新的 arXiv 论文探索使用可微分物理模拟器和物理信息神经网络 (PINNs) 解决反问题。第一篇论文在 12 个可微分物理模拟器上对各种优化器进行了基准测试，以识别参数识别、逆设计和最优控制的有效策略。第二篇论文提出了一种使用 PINNs 的偏微分程约束反问题的去偏估计程序，通过纠正神经网络的干扰函数的偏差，实现了 $\sqrt{n}$ 一致且渐近正态的估计器。
-
新研究通过随机最大值原理构建伴随匹配
一篇题为“Adjoint Matching through the Lens of the Stochastic Maximum Principle in Optimal Control”的新研究论文，由Jiequn Han撰写，严格推导并推广了随机最优控制问题的伴随匹配方法。该工作构建了一个哈密顿伴随匹配目标，并证明了其与Hamilton-Jacobi-Bellman平稳性条件的关系。对于扩散项与状态和控制无关的情况，该论文恢复了先…
-
新框架整合逆向优化用于分层决策
研究人员开发了一个新颖的分层决策框架，该框架将上层目标抽象与结构化的底层决策相结合。该方法利用逆向优化，通过专家演示获得见解，使底层策略的目标与整体长期任务目标保持一致。该框架在网络资源分配和连续避碰等任务上进行了评估，与现有的分层强化学习和学习增强最优控制方法相比，在效率和决策质量方面均表现更优。
-
受神经启发的逆向框架增强了AI规划与控制
研究人员开发了一个新颖的、受神经启发的框架，名为Inverter，用于具身规划与控制。该框架利用逆向学习（IL）来训练组件，通过对整个动作序列进行规划，弥合了强化学习与最优控制之间的差距。Inverter在各种基准任务上展示了比现有方法显著的性能提升，在推理过程中以显著更低的计算成本取得了更好的结果。