LEARNING
机器人何时应重新规划？时变MDP中基于遗憾的更新调度
Negin Musavi, Gokul Puthumanaillam, Ruben Hernandez, William Schafer, Melkior Ornik
- 发表年份
- 2026
- 访问权限
- 开放获取
摘要
本文研究了在非平稳环境中运行的机器人如何利用有限的计算预算进行自适应策略更新。通过分析动态遗憾，提出了一种基于遗憾的在线更新规则，在模拟和真实机器人实验中证明了其优于其他预算分配方法。
关键词
dynamic regrettime-varying MDPreplanningadaptive schedulingrobotics
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