基于IRL的SDRE用于非线性控制

Research Paper#Control Systems, Reinforcement Learning, Nonlinear Systems🔬 Research|分析: 2026年1月3日 19:46•
发布: 2025年12月27日 18:03
•
1分で読める
•ArXiv

分析

本文提出了一种使用积分强化学习 (IRL) 求解状态依赖 Riccati 方程 (SDRE) 来控制非线性系统的新方法。 关键贡献是一种部分无模型方法，它避免了对系统漂移动力学的明确知识的需求，这是传统 SDRE 方法的常见要求。 这非常重要，因为它允许在无法获得或难以获得完整系统模型的情况下进行控制设计。 本文通过仿真证明了所提出方法的有效性，显示出与经典 SDRE 方法相当的性能。
引用 / 来源
查看原文
"The IRL-based approach achieves approximately the same performance as the conventional SDRE method, demonstrating its capability as a reliable alternative for nonlinear system control that does not require an explicit environmental model."
A
ArXiv2025年12月27日 18:03
* 根据版权法第32条进行合法引用。
较旧

A survey of interlayer interaction models for graphene and other 2D materials

较新

INTERACT-CMIL: Multi-Task Shared Learning and Inter-Task Consistency for Conjunctival Melanocytic Intraepithelial Lesion Grading

相关分析

Research Paper

SpaceTimePilot：时空控制的生成视频渲染

2026年1月3日 06:10

Research Paper

量子混沌哈密顿量演化下的随机性生成

2026年1月3日 06:10

Research Paper

GaMO：几何感知扩散用于稀疏视角3D重建

2026年1月3日 06:32

来源: ArXiv