Все новости
Цифровой Двойник

MPC с обучением критика на гауссовых процессах для учёта неопределённости

Предложен метод GP-RL-MPC, где обученный критик служит терминальным штрафом MPC и учитывает затраты за горизонтом прогноза. Гауссовы процессы обеспечивают экономное обучение на шумных прогонах, а настраиваемый коэффициент риска взвешивает эпистемическую неопределённость.

Почему это важно

Даёт способ включать оценку неопределённости в управление системами, где ошибки прогноза дорого обходятся.

Созвучно продуктам ЦД

ЦД.Прогноз
Заголовок оригинала
GP--RL--MPC: Uncertainty-Aware Reinforcement Learning-Augmented Model Predictive Control with Gaussian Process Postdecision State-Value Functions
Читать первоисточник: arXiv — Systems and Control (eess.SY)

Перевод и краткое изложение — машинные, по материалам источника. Полный текст статьи не републикуется; права на него принадлежат источнику.