.png){kind=icon}
返回
Data-Efficient Reinforcement Learning Framework for Autonomous Flight Based on Real-World Flight Data
.png){kind=icon}
OA
AI
DOI：10.3390/drones9040264.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
近年来，自主飞行已成为航空航天和国防领域的关键技术；然而，基于传统代码的自主飞行系统在复杂环境中存在局限性。尽管强化学习提供了一种替代方案，但其现实世界中的应用因巨大的数据需求而受阻。本研究开发了一个框架，将生成对抗网络（GAN）和回放经验重放（HER）整合到基于模型的强化学习中，以提升数据效率和准确性。我们将所提出的框架与现有的算法在真实的四旋翼控制器中进行比较。在对比实验中，我们展示了学习速度最高提升了70.59%，显著突显了环境模型的影响。据我们所知，本研究首次将GAN和HER与基于模型的强化学习相结合，并有望显著促进强化学习在自主飞行中的实际应用。
Keyword:
MBRL (model-based reinforcement learning)
GANs (generative adversarial networks)
HER (hindsight experience replay)
autonomous flight
期刊
D
IF:
4.8
论文数:
3.9K
被引数:
8.3K
机构
引用论文
Improving Model-Based Reinforcement Learning with Internal State Representations through Self-Supervision通过自监督学习，利用内部状态表征改进基于模型的强化学习OAAI
OAAI分享收藏Aerodynamic model adjustment for an accurate flight performance representation using a large operational flight data base利用大型操作飞行数据库对气动模型进行调整，以实现准确的飞行性能表征OAAI
OAAI分享收藏Challenges of real-world reinforcement learning: definitions, benchmarks and analysis现实世界强化学习的挑战: 定义、基准和分析.png)
MACHINE LEARNING
OAAI
MACHINE LEARNINGIF2.9
OAAI分享收藏UAV-YOLOv8: A Small-Object-Detection Model Based on Improved YOLOv8 for UAV Aerial Photography ScenariosUAV-YOLOv8: 基于改进YOLOv8的无人机航拍场景小目标检测模型SENSORSOAAI
SENSORSIF3.5
OAAI分享收藏分享收藏
查看更多内容