XiaoMi-AI文件搜索系统
World File Search System钟摆
通过基于模型的强化学习 /作者的双重钟摆的学习控制= Alberto的Dalla Libera； Turcato，Niccolò； Giocomuzzo，朱利奥；卡利，鲁格罗；罗梅雷斯，迭戈 /creationdate = 2024年10月17日 /主题=机器人学习，机器人技术< /div>
在这份简短的报告中，我们介绍了我们的团队实施的强化学习（RL）[1]来应对在IROS 2024 1举行的第二次AI奥运会竞赛的模拟阶段。The algorithm we employed, Monte- Carlo Probabilistic Inference for Learning COntrol (MC- PILCO) [2], is a Model-Based (MB) RL algorithm that proved remarkably data-efficient in several low-dimensional benchmarks, such as a cart-pole, a ball & plate, and a Furuta pendulum, both in simulation and real setups.mc-pilco也是赢得本次比赛第一版的算法[3]。mc-pilco是MB策略梯度算法的一部分。它通过与系统进行交互来利用收集的数据来得出系统动力学模型并通过模拟系统来优化策略，而不是直接在系统数据上优化策略。应用于物理系统时，这种方法可以比无模型（MF）解决方案高表现和数据效率高。本文的组织如下：第二部分介绍了竞争的目标和设置。第三部分介绍了MC-PILCO算法。 第四节报告了已经执行的实验，最后V节结束了论文。第三部分介绍了MC-PILCO算法。第四节报告了已经执行的实验，最后V节结束了论文。第四节报告了已经执行的实验，最后V节结束了论文。
钟摆运动 - 课堂笔记
• 净力（F net ）产生加速度（a），加速度需要净力。• F net 和 a 矢量的方向相同。• 由于物体沿圆形路径移动，因此存在向心 a 和 F net。• 由于物体在运动过程中不断加速和减速，因此存在切向 a 和 F net