Исследуются стратегии калибровки цифровых двойников, включающие выбор траекторий и ограниченный бюджет на измерение параметров. Предложен фреймворк, объединяющий reinforcement learning контроллер, рекуррентный оценщик параметров и политику бюджетного опроса. Показано, что обучение на оптимизированных траекториях позволяет достичь высокой точности оценок с ограниченным числом запросов.
Новость актуальна для практики моделирования, так как эффективная калибровка цифровых двойников критична для их точности и практического применения в управлении системами.
Перевод и краткое изложение — машинные, по материалам источника. Полный текст статьи не републикуется; права на него принадлежат источнику.
