deep reinforcement learning (drl) | BriefGPT

关键词deep reinforcement learning (drl)

搜索结果 - 9

基于 PPO 的 DRL 自校准非线性 PID 无人机控制器实现鲁棒自主飞行
该研究旨在通过应用非线性深度强化学习（DRL）代理作为传统线性比例积分微分（PID）控制器的替代品，从而彻底改革无人机飞行控制。主要目标是实现无人机在手动和自主模式之间的无缝过渡，提高其响应性和稳定性。利用 Gazebo 模拟器中的 Pro
PDF3 months ago
分布式 SDN 中的自适应控制器同步的约束强化学习
使用软件定义网络（SDN）中的分布式 SDN 控制器，主要研究领域包括同步化、增强现实和虚拟现实以及深度强化学习技术，以实现网络性能优化和应对网络变化的挑战。
PDF6 months ago
基于梯度奖励信号的自动课程学习
使用梯度范数奖励信号在深度强化学习的自动课程学习（ACL）中的影响研究。通过分析多个强化学习环境，发现梯度范数奖励对于教师模型制定具有挑战性且可达成的学习序列相当有效，进一步提高了学生的性能，加速了学习过程并改进了任务的泛化和适应性。这些研
PDF7 months ago
无模型学习的走廊清理：一个近期部署的视角
通过深度强化学习（DRL）设计无模型的连续自动车（CAV）控制策略，我们在短期部署视角上研究了 CAV 辅助的紧急医疗服务（EMS）车道清理，显示了与基于模型的方法相比设计上的降低开销和更大的可扩展性及性能。在 19 种不同设置中，学到的
PDF7 months ago
面向任务驱动的探索，加速具有时态逻辑任务规范的深度强化学习
通过自动机表示 LTL 任务以及部分模拟未知系统动力学的神经网络，我们提出了一种新颖的深度强化学习（DRL）算法，其样本效率得以提高，能够更快速地学习控制策略，以在未知环境中的机器人导航任务中提高效率。
PDF7 months ago
无人机的短期与长期协调：分布式优化与深度强化学习的结合
智能无人机群体结合充电技术可以在智能城市中提供完整的感知能力，如交通监控和灾害响应。通过分布式优化和深度强化学习（DRL）等现有方法，旨在协调无人机以实现成本效益高、质量高的导航、感知和充电。然而，它们存在明显挑战：短期优化难以提供持续效益
PDF8 months ago
面向水下无人机在水流干扰下的自适应控制参数的虚实转换
利用学习驱动的自适应控制方法，结合基于模型的控制架构以及最大熵深度强化学习框架，提出了一种适应控制器的创新方法，通过生物启发的经验回放机制、增强的领域随机化技术和在物理平台上的评估协议来实现仿真到真实的迁移策略，实验证明该方法能够从 AUV
PDF9 months ago
基于视觉观察的机器人卸货的强化学习方法
我们提出了一个基于深度强化学习的分层控制器结构，通过使用 RGB-D 图像作为主要输入源，学习自主卸货任务，从而解决了获取标记数据困难的问题。实验证明，这种结构在提高学习性能方面起到了重要作用，并为未来的研究提供了一个可复现性和基准。
PDF10 months ago
MM深度强化学习下的优化经济燃气轮机调度
对于加拿大阿尔伯塔省的案例研究中，通过将西门子公司提供的热力学软件纳入环境模型，并通过模拟不确定性，如电力价格、负载和环境条件的变化，我们实施了三种常见的深度强化学习算法来处理经济型燃气轮机调度问题。在所测试的算法和基准方法中，深度 Q 网
PDF10 months ago