Mar, 2024

通过迁移学习促进过程控制的强化学习：观点

PDF
TL;DR这篇论文从迁移学习的角度提供了关于深度强化学习（DRL）在过程控制中的见解。我们分析了在过程工业领域应用 DRL 的挑战和引入迁移学习的必要性。此外，还提供了关于如何将迁移学习与 DRL 整合以增强过程控制的未来研究方向的建议和展望。
发现论文，激发创造
  • 深度强化学习在过程设计中的应用：综述与展望

    转向可再生能源和原料供应的化工行业需要新的概念性工艺设计方法。最近，人工智能的突破为加速这一转型提供了机会。特别是深度强化学习作为机器学习的一个子类，已显示出解决复杂决策问题和辅助可持续工艺设计的潜力。我们通过三个主要元素调查了强化学习在工艺设计中的最新研究：（i）信息表示，（ii）智能体体系结构和（iii）环境和奖励。此外，我们讨论了潜在挑战的观点和有前景的未来工作，以充分发挥化工工程中强化学习的潜力。

    Aug, 2023

  • 深度强化学习中的迁移学习：综述

    调查了深度强化学习中迁移学习方法的最新进展，提供了对目标，方法，兼容强化学习骨架以及实际应用等方面分析的框架，并从强化学习的角度探讨了迁移学习与其他相关话题之间的联系和潜在挑战。

    Sep, 2020

  • 工业自动化的深度迁移学习：一项针对数据驱动机器学习新技术的综述和讨论

    介绍了迁移学习和持续学习的概念，综述了工业深度迁移学习的应用方法，包括计算机视觉等领域已达到最新技术水平的方法，以及其他领域如故障预测刚刚起步。提出了基于工业迁移学习应用的基本用例，并强调了将持续学习和迁移学习结合起来，以满足工业自动化领域对强鲁棒性学习算法的需求。

    Dec, 2020

  • 机器人学习控制的深度网络解决方案综述：从强化到模仿

    该研究论文针对使用深度学习技术学习机器人控制策略，对深度强化学习和模仿学习两种主要学习控制范式进行了综述，包括了应对从模拟环境到现实场景中真实性差距的挑战，并总结了机器人仿真平台用于开展深度强化学习研究，同时介绍了三种主要的模仿学习范式及其相应的机器人应用，最终讨论了开放性挑战和研究前沿。

    Dec, 2016

  • 玻璃流控系统中显示转移机器人的强化学习：基于物理仿真的方法

    通过深度强化学习，提出了一种在显示器制造中使用传输机器人的流控系统的优化调度方法，并通过建立虚拟环境和训练强化学习模型，验证了其可行性。

    Oct, 2023

  • 了解过去预测未来：强化虚拟学习

    本篇论文提出了基于预测模型，使用历史数据构建的虚拟空间的强化学习模型，能够平衡长期和短期奖励，并使模型与真实环境交互以实现学习策略的最终收敛。在 Fed-Batch 过程的实验设置下，我们的方法始终优于现有技术水平。

    Nov, 2022

  • 机器人控制的自适应强化学习

    深度强化学习在模拟环境中取得了显著的成功，但在设计机器人控制器方面的应用仍然有限，由于其单任务导向性和对环境变化的适应能力不足。为了克服这些限制，我们提出了一种新颖的自适应智能体，利用迁移学习技术在不同任务和环境条件下动态调整策略。该方法经过了齐腾博仿真挑战的验证，其中多任务能力和环境适应能力至关重要。智能体使用基于 IsaacGym 的定制化高度并行化的模拟器进行训练，通过零样本迁移在真实世界中飞行气球以解决各种任务。我们在 https://github.com/robot-perception-group/adaptive_agent/ 上分享我们的代码。

    Apr, 2024

  • 从自整定调节器到强化学习再回归

    本文介绍了机器学习和强化学习在控制和规划自主系统行为方面的应用，同时强调在安全关键的环境下要特别注意算法的可靠性和安全性，为控制理论家们提供一个学习该领域的起点。

    Jun, 2019

  • 基于深度强化学习算法的污水处理中磷去除过程控制的深度学习模拟器

    通过训练六个模型，创建了深度强化学习 (DRL) 的仿真环境，利用监控与数据采集系统 (SCADA) 提供的历史数据来改进废水处理过程中的磷去除，并解决了由模型预测误差累积引起的问题。

    Jan, 2024

  • 学习行动：一种强化学习方法来推荐最佳下一步活动

    本文介绍了一种基于强化学习的优化策略方法，利用过去的执行观察来学习最佳决策，并以关键绩效指标优化为目标，从而为用户提供最好的活动推荐。

    Mar, 2022