LEARNING
通过超网络学习自适应多任务制导、导航与控制
Ricard Marsal I Castan, Aman Arora, Antoine Richard, Andrej Orsula, Cédric Pradalier, Miguel A. Olivares-Méndez
- 发表年份
- 2026
- 访问权限
- 开放获取
摘要
本文提出HYPER-GNC框架，利用超网络将物理信息任务嵌入映射到共享策略网络的权重，使单一控制器能掌握速度跟踪、对接、巡检和避障导航四种制导导航与控制任务。实验表明该方法在样本效率上媲美单任务专家，并能成功迁移到物理卫星模拟器。
关键词
multi-task reinforcement learninghypernetworkguidance navigation controlspace roboticssim-to-real transfer
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