机构名称：
¥ 1.0
摘要：尽管对超级驱动系统的控制分配取得了进步，但仍需要进行全面，优化和安全的解决方案。传统方法虽然成熟，但仍与耦合非线性分配的复杂性以及对广泛的计算资源的需求斗争。机器学习可以通过其概括和适应能力来提供显着的优势，尤其是在使用线性近似来减轻计算负担或尚不确定执行器的有效性时。模仿学习的最新进展，尤其是行为克隆和深入的强化学习，已经在解决这些挑战方面表现出了有希望的结果。本文旨在确定在控制编排中使用机器学习的潜力，以使智能机箱超越分配问题，包括跨系统，资源平衡以及安全性和性能限制的交互管理。我们提出了一组我们认为与实验有关的技术，以解决智能底盘系统中控制分配的潜在挑战和复杂性，这些挑战将在即将到来的文章中进行测试。
使用模仿学习来实施智能机箱的控制编排
主要关键词
相关文件推荐
