LEARNING
学习关键因素：用于机器人探索的自适应信息论目标
Youwei Yu, Jionghao Wang, Zhengming Yu, Wenping Wang, Lantao Liu
- 发表年份
- 2026
- 访问权限
- 开放获取
摘要
本文提出了一种名为准最优实验设计（QOED）的自适应信息目标，通过分析Fisher信息矩阵的特征空间来识别可观测子空间和可辨识参数方向，从而指导机器人探索。该方法能有效抑制非关键参数的干扰，提高高维机器人系统中参数学习的效率。
关键词
adaptive information-theoretic objectivesrobot explorationoptimal experimental designFisher information matrixidentifiable parameter directions
相关论文
LEARNING
📊 8,465 引用
The Organization of Behavior
D. O. Hebb
2005
LEARNING
📊 7,678 引用
Fractional Brownian Motions, Fractional Noises and Applications
Benoît B. Mandelbrot, John W. Van Ness
1968
LEARNING
开放获取📊 7,484 引用
Review of deep learning: concepts, CNN architectures, challenges, applications, future directions
Laith Alzubaidi, Jinglan Zhang, Amjad J. Humaidi 等 10 位作者
2021
LEARNING
📊 4,608 引用
A guide to deep learning in healthcare
Andre Esteva, Alexandre Robicquet, Bharath Ramsundar 等 10 位作者
2018