机构名称：
¥ 1.0
我们提出了一种新颖的观点，以将控制理论结果与强化学习（RL）的控制稳定性，鲁棒性和政策转移：为模构架设计部署收缩理论。我们利用收缩理论的模块化来设计坐标转换，该转换可以简化非线性约束，以使稳定性变成可溶解的稳定性，从而在控制网络的输入梯度上产生线性约束。这些约束可以在控制体系结构中实现，因此学习框架保持不变，这是保证控制稳定性的最低侵入性方法。我们还得出相应的理论来表征鲁棒性。为了减轻动态模型的限制和要求，我们提出了一个模块化控制体系结构，包括坐标转换，复合变量和任务空间控制器，可以说很容易与未知环境中的机器人操作进行层次RL集成，并改善其性能。我们在两个模拟的操作场景中演示了我们的结果。这项工作提出了制定建筑设计问题来创建与收缩指标配对的Riemannian空间的潜力。关键字：模块化，收缩理论，增强学习，控制稳定性
通过收缩理论稳定的模块化控制
主要关键词
相关文件推荐
