Bewertung:

Derzeit gibt es keine Leserbewertungen. Die Bewertung basiert auf 2 Stimmen.
Learning-Based Control: A Tutorial and Some Recent Results
Der jüngste Erfolg des Verstärkungslernens und verwandter Methoden lässt sich auf mehrere Schlüsselfaktoren zurückführen. Erstens wird es durch Belohnungssignale angetrieben, die durch die Interaktion mit der Umwelt erzielt werden. Zweitens ist es eng mit dem menschlichen Lernverhalten verbunden. Drittens hat es eine solide mathematische Grundlage. Dennoch weist die herkömmliche Theorie des Reinforcement Learning einige Unzulänglichkeiten auf, insbesondere in einer kontinuierlichen Umgebung oder bei der Berücksichtigung der Stabilität und Robustheit des kontrollierten Prozesses.
In dieser Monographie bauen die Autoren auf Reinforcement Learning auf, um einen lernbasierten Ansatz für die Steuerung dynamischer Systeme anhand von Echtzeitdaten vorzustellen, und geben einen Überblick über einige wichtige Entwicklungen auf diesem relativ jungen Gebiet. Dabei entwickeln die Autoren einen Rahmen für die lernbasierte Regelungstheorie, der zeigt, wie man direkt suboptimale Regler aus Input-Output-Daten lernen kann.
Bei der Entwicklung der lernbasierten Steuerung gibt es drei große Herausforderungen. Erstens müssen bestehende rekursive Methoden verallgemeinert werden. Zweitens sind Stabilität und Robustheit - ein grundlegender Unterschied zwischen lernbasierter Steuerung und Reinforcement Learning - wichtige Themen, die für sicherheitskritische technische Systeme wie selbstfahrende Autos angegangen werden müssen. Drittens muss die Dateneffizienz von Reinforcement-Learning-Algorithmen für sicherheitskritische technische Systeme berücksichtigt werden.
Diese Monographie bietet dem Leser eine leicht zugängliche Einführung in eine neue Richtung der Kontrolltheorie, die noch in den Kinderschuhen steckt, nämlich Learning-Based Control Theory, die eng mit der Literatur über sicheres Reinforcement Learning und Adaptive Dynamic Programming verbunden ist.