Oct, 2018

支持物联网和智能城市服务的半监督深度强化学习

PDF
TL;DR本文提出了一种半监督 DRL 模型，并将其应用于智能建筑的室内定位问题，在目标距离和接受的奖励方面相对于有监督的 DRL 模型提高了 23% 和至少 67%。
smart servicesdeep reinforcement learningsemi-supervised learningiotindoor localization
发现论文，激发创造
  • 使用大数据和机器学习实现认知智能城市：方法和挑战

    智慧城市的大量数据产生了巨大的浪费，因为缺乏建立在数据可用性基础上的机制和标准。为了解决此挑战，我们提出了一种半监督深度强化学习框架，利用数据的层级结构提供不同层次的知识抽象，并探索了将机器学习和高级智能纳入智慧城市服务中的研究方向。

    Oct, 2018

  • 深度强化学习（DRL）：无监督无线定位的另一种视角

    本文提出了一种基于深度强化学习的无监督无线定位方法，通过建模连续的无线定位过程为马尔可夫决策过程并将其纳入深度强化学习框架中，以克服使用未标记数据进行定位时奖励的获取难题，并使用 RSS 测量将 DRL 与代理位置相结合构建 DRL 输入，为 IoT 数据的空间化提供了新思路。

    Apr, 2020

  • 物联网中安全感知服务获取的深度强化学习方法

    提出一个完整框架，根据用户需求，在物联网中定义适当的隐私和安全需求级别，通过采用基于强化学习的解决方案来训练用户代理，选择最佳的智能对象以满足目标服务，并确保满足截止日期要求、用户的安全和隐私需求。

    Apr, 2024

  • 自主物联网的深度强化学习：模型，应用及挑战

    本文提出了一种新概念 “自治 IoT” 的集成方法，利用强化学习和深度强化学习做出决策，并在此基础上提出了 AIoT 的广义 RL/DRL 模型和综述现有的 DRL 在 AIoT 中的应用研究，并指出未来研究的挑战和问题。

    Jul, 2019

  • 具有潜在深度强化学习的可解释端到端城市自主驾驶

    该研究提出了一种解决复杂城市场景下的自动驾驶问题的可解释性深度强化学习方法，在学习过程中引入了序贯潜在环境模型，并生成了语义鸟瞰遮罩，以解释学习策略的行为。实验结果显示，该方法在城市场景中的表现优于 DQN、DDPG、TD3 和 SAC 等基线模型。

    Jan, 2020

  • 城市自主驾驶的无模型深度强化学习

    本文提出了一个在复杂城市自主驾驶场景下使用无模型深度强化学习的框架，并在高清晰度驾驶模拟器中进行了验证。结果表明，与基线相比，我们的方法可以很好地解决任务，且表现显著优异。

    Apr, 2019

  • 半监督强化学习技能泛化

    本文研究了如何在有限的标注数据下，通过半监督强化学习及反强化学习等方法，使机器人等强化学习智能体在探索未知领域时能够获得更好的泛化效果，并评估了该方法在基于图像的控制任务上的表现。

    Dec, 2016

  • 基于深度强化学习的 无人机无线数据采集路径规划

    该论文提出一种新的端到端强化学习方法来规划机载无人机收集物联网中的分布式传感器节点的数据，以实现对下一代通信网络的支持。通过训练一个双重深度 Q 网络来实现对不同情况参数的泛化控制，从而使代理可以根据平衡数据收集目标和飞行时间效率的安全约束，在各种场景参数下做出运动决策。

    Jul, 2020

  • 最大熵深度逆强化学习评估城市感知安全性

    通过借鉴城市感知的专家评估政策，我们提出了一种新颖的基于 IRL 的框架来预测城市安全，并恢复相应的奖励函数，使用强化学习 (MDP) 来解决问题，并建立了一个基于众包的数据集 SmallCity 进行了研究。我们的结果表明，IRL 在这个领域有着广阔的前景。

    Nov, 2022

  • 在线建筑能量优化使用深度强化学习

    本研究首次探讨使用深度强化学习在智能电网环境下实现建筑能源管理系统的在线调度优化，所提出的方法被验证可用于大规模数据资源中，如 Pecan Street Inc. 数据库，并且可以提供实时反馈以鼓励电能的更高效利用。

    Jul, 2017