.png){kind=icon}
返回
Low-Complexity Q-Value Iteration Learning for Linear Quadratic Regulators Without Initial Stabilizing Gain
.png){kind=icon}
PRE
AI
DOI：10.1109/TAC.2025.3632464.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
强化学习（RL）在数据驱动的线性二次调节器（LQR）控制器设计中已展现出良好的效果。然而，现有的基于RL的LQR控制器设计方法在计算复杂度、样本复杂度、系统稳定性以及对稳定增益的要求方面面临挑战。为解决这些问题，本文提出了一种新颖的低复杂度Q值迭代算法。我们证明了该算法生成的迭代序列的收敛性和单调性。此外，设计了一种算法停止条件，以确保所得控制增益具有稳定性。与现有的数据驱动方法相比，所提出的算法在计算和样本效率方面均实现了显著提升，并消除了对稳定增益的要求。通过对比仿真研究验证了所提算法的有效性。
Keyword:
Linear quadratic regulator (LQR)
low-complexity
Q-value iteration (VI)
reinforcement learning (RL)
期刊
IF:
7
论文数:
1.3W
被引数:
6.7W
机构
引用论文
Value iteration and adaptive dynamic programming for data-driven adaptive optimal control design数据驱动的自适应最优控制设计的值迭代和自适应动态规划.png)
AUTOMATICA
OAAI
AUTOMATICAIF5.9
OAAI分享收藏
分享收藏Adaptive optimal control for continuous-time linear systems based on policy iteration基于策略迭代的连续时间线性系统自适应最优控制AUTOMATICA
AUTOMATICAIF5.9
PREAI
分享收藏Reinforcement Learning and Adaptive Dynamic Programming for Feedback Control用于反馈控制的强化学习和自适应动态规划
PREAI
分享收藏Safe Reinforcement Learning With Stability Guarantee for Motion Planning of Autonomous Vehicles
PREAI
分享收藏
查看更多内容