.png){kind=icon}
返回
An Enhanced Preference-Based Reinforcement Learning Framework for Autonomous System
.png){kind=icon}
PRE
AI
DOI：10.1007/978-981-96-8889-0_1.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本研究提出了一种改进的基于偏好的强化学习（PbRL）框架，用于自主系统。通过引入初始轨迹收集过程，该框架显著减少了数据收集时间，提高了训练效率。通过人类偏好反馈，智能体无需显式奖励工程即可迭代优化其策略。在模拟驾驶场景中的实验表明，智能体产生类似人类的轨迹，在优先考虑安全和适应性的同时，与人类偏好高度一致。结果表明，改进后的框架在提升自主系统决策能力方面具有有效性，弥合了机器优化行为与人类期望结果之间的差距。
Keyword:
Preference based reinforcement learning
autonomous system
autonomous vehicle
期刊
机构
引用论文
Active preference-based Gaussian process regression for reward learning and optimization基于主动偏好的高斯过程回归用于奖励学习和优化
.png){kind=icon}
PREAI
分享收藏Human-Agent Teaming for Multirobot Control: A Review of Human Factors Issues用于多机器人控制的Human-Agent团队: 对人为因素问题的回顾
PREAI
分享收藏
Online human training of a myoelectric prosthesis controller via actor-critic reinforcement learning
PREAI
分享收藏 没有更多内容
没有更多内容