May, 2024
强化学习
Reinforcement learning
Sarod Yatawatta
TL;DR观察天体和提高我们对其科学知识的理解涉及繁琐的计划、安排、数据收集和后处理。本文将介绍强化学习的最新进展,以及它如何为天文学带来益处。
Abstract
Observing celestial objects and advancing our scientific knowledge about them
involves tedious planning, →
发现论文,激发创造
自动驾驶望远镜:离线强化学习的天文观测任务自主调度
用于天文学调度优化问题的强化学习算法,在模拟数据集上经过多次改进和调整后,显示出很高的性能,对于特定的天文学挑战,这是第一次对离线强化学习算法进行比较和评估的研究。
Nov, 2023
通过强化学习进行观察学习
本文探讨了通过机器学习实现观察学习的可行性及其机理,证明基于纯强化学习算法,结合记忆,智能体可以从观察到的任务效果中获取充分的信息,实现类似于社交学习等高级学习技能。
Jun, 2017
基于模型的强化学习在自适应光学控制中的实验研究
通过实施和适应一种名为 AO 的 RL 方法(PO4AO),我们在 ESO 总部的 GHOST 测试台上展示了这种方法在实验室环境中的强大性能,该实验允许与推理并行进行训练,对于天空操作至关重要。
Dec, 2023
利用深度强化学习从 3DOctree 观测中学习在月球表面抓取
此项研究探讨了使用深度强化学习对月球上基于视觉的机械臂进行抓取操作的智能化控制,通过虚拟环境的数据训练及域随机化技术,实现零样本迁移并成功验证实际机器人在类月环境中的操作效果。
Aug, 2022
天文学中的机器学习:实用概述
本文主要介绍了天文学中大数据和机器学习的应用,重点讲解了监督机器学习和无监督机器学习两种算法,包括数据预处理、评估方法、支持向量机、随机森林、浅层神经网络、聚类分析、降维、可视化和异常检测等方面,旨在提高天文学家使用这些工具从海量数据中挖掘新知识的能力。
Apr, 2019
利用动力无关的强化学习实现低推力轨道转移
该论文研究了使用强化学习的方法来优化低推力卫星的轨迹设计和自主控制。研究表明这种方法可以学习出几乎最优的引导定律,并且对环境动态的不确定性有很好的适应性。
Oct, 2022
研究选择对于深度强化学习在航天控制中的影响
该论文研究了使用离散动作空间,以及探索选择提供给智能体数量对其在训练期间和之后的表现的影响,针对检查任务和停靠任务的需求。结果显示对于检查任务,有限数量的离散选择导致最佳性能,而对于停靠任务,连续控制导致最佳性能。
May, 2024