权益分类	功能权益	普通用户	{{item.name}}会员
{{category.name}}	{{benefitItem.name}}

Methoden des Reinforcement Lernens in realen, verteilten, kooperierenden Systemen

真实分布式协作系统中的强化学习方法

基本信息

批准号：
5318734
负责人：
Professor Dr. Martin Riedmiller
金额：
--
依托单位：
DeepMind
依托单位国家：
德国
项目类别：
Priority Programmes
财政年份：
2001
资助国家：
德国
起止时间：
2000-12-31 至 2007-12-31
项目状态：
已结题

来源：
https://gepris.dfg.de/gepris/projekt/5318734?language=en
关键词：
Methoden des Reinforcement Lernens realen

项目摘要

Inhalt des Antrags ist die Konzeption und Weiterentwicklung von Reinforcement Lernverfahren zur Steuerung von realen, verteilten Robotersystemen. Der Antrag weist dabei zwei Schwerpunkte auf: 1. die Entwicklung von schnellen Lernalgorithmen für die Individualfähigkeiten eines realen Roboters. Hier existiert ein solider theoretischer Unterbau; allerdings benötigen die heutigen Algorithmen eine um mehrere Größenordnung zu hohe Anzahl an Trainingserfahrungen. Nach heutiger Einschätzung kann dieser Aufwand nur durch eine Kombination verschiedener Methoden (Simulation, Speicherung relevanter Erfahrungen, aktives Lernen) auf ein praktisch vertretbares Maß reduziert werden. Der 2. Schwerpunkt des Antrags liegt in der Konzeption von Lernverfahren zur verteilten Steuerung eines Teams von Robotern in kooperativen Multi-Agenten-Systemen. Hier existieren zur Zeit nur punktuell theoretisch fundierte Lernalgorithmen. Im Zusammenhang mit der Gesamtausrichtung des Schwerpunkts fehlen insbesondere Lernalgorithmen für verteilte, unabhängige, kooperierende Lerner in stochastischer Umgebung. Basierend auf Vorarbeiten unserer Gruppe sollen solche Algorithmen erarbeitet werden. Die Validierung der entwickelten Konzepte soll zum einen durch das Erlernen zentraler Fähigkeiten eines realen Roboters zum anderen durch die Umsetzung in unserem Simulationsklasseteam "Karlsruhe Brainstormers" (dem amtierenden Vizeweltmeister) durchgeführt werden.

嵌入式机器人是机器人系统中用于实际控制的加固系统的概念和Weiterentwicklung。这个陷阱有两个小洞：1。用于个人高性能机器人的学习算法的开发。Hier existiert ein solider theoretischer Unterbau; allerdings benötigen die heutigen Algorithmen eine um mehrere Größenordnung zuhe Anzahl an Trainingserfahrungen。因此，只有通过一种组合验证方法（模拟、相关实验、激励学习）才能实现最大限度的减少韦尔登。Der 2.在多机器人系统的协作中，控制机器人团队的远程控制系统的协调性是关键。这篇文章只介绍了基于Lernalgorithmen的punktuell理论。Im Zusammenhang mit der Gesamtausrichtung des Schwerpunkts fehlen insbesondere Lernalgorithmen für vertesilte，unabhängige，kooperierende Lerner in stochastischer Umgebung.我们的团队只能靠自己的努力来完成韦尔登。通过在韦尔登的模拟实验室“头脑风暴”小组中进行的实验，验证了一个由经验丰富的中央机器人组成的机器人。