Pendulum
PulseAugur coverage of Pendulum — every cluster mentioning Pendulum across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
对抗性强化学习发现稀疏拒绝服务攻击以破坏自触发控制系统
研究人员开发了一种新颖的对抗性强化学习方法，用于识别自触发控制系统中的漏洞。该方法侧重于寻找最稀疏的拒绝服务（DoS）攻击计划，这些计划能够破坏系统，类似于防御者使用的安全证书。该研究证明了对手造成崩溃所需的干扰次数的下限，并在 Pendulum、CartPole 和 Quadrotor2D 等模拟环境中，通过实证证明了所学习到的对手对各种控制器都有效。
-
汉氏神经网络在长时预测精度上表现出改进
研究人员将汉氏神经网络（HNNs）与标准前馈网络在预测摆和开普勒动力学方面进行了评估。通过使用相同的训练数据、优化设置和积分方案，研究发现HNNs在长预测时程中显著降低了能量漂移和轨迹均方误差。在摆任务上，HNNs展示了42倍的能量漂移减少和15.8倍的轨迹MSE减少，在相空间的非线性区域性能提升更为明显。在开普勒二体问题中也观察到了类似的预测精度和物理一致性方面的优势。
-
新框架通过预算数据采集优化数字孪生校准
研究人员开发了一个新的数字孪生（物理系统的虚拟副本）校准框架。该框架通过优化交互数据的生成并战略性地使用有限的预算进行特权参数测量，解决了数据收集成本高昂的挑战。该方法结合了强化学习控制器、循环参数估计器和预算查询策略。在 Pendulum 和 Waterworld 模拟上的案例研究表明，与未校准的孪生相比，该方法在数据稀疏场景下能有效降低误差。
-
新的确定性世界模型增强了AI控制器验证
研究人员开发了一种确定性世界模型（DWM），以改进用于安全关键系统的端到端图像控制器的形式化验证。该DWM将物理状态直接映射到合成摄像头图像，绕过了随机潜在变量的复杂性。在CARLA制动系统和多个Gym基准上的实验表明，与现有方法相比，DWM生成的精确可达管更精确，同时确保了与真实控制器的一致性。