Este contenido se centra en la aplicación de Aprendizaje por Refuerzo Profundo de extremo a extremo para el desarrollo de sistemas de asistencia de mantenimiento de carril. La investigación explora el uso de IA avanzada para mejorar la seguridad y autonomía vehicular.
RAMP propone una estrategia novedosa para aprender modelos de acción de planificación numérica en línea a través de interacciones con el entorno, integrando DRL, aprendizaje de modelos de acción y planificación. Esto crea un ciclo de retroalimentación positiva donde la política de RL recopila datos para refinar el modelo de acción, mientras que el planificador genera planes para continuar entrenando la política de RL.
O artigo aborda a aplicação de Aprendizado por Reforço Profundo interpretável para a otimização do ciclo de vida de pontes em nível de elemento. Ele busca oferecer transparência e eficiência na gestão da infraestrutura.
Este artigo de pesquisa explora o design adaptativo de recompensas para DRL no agendamento de satélites LEO, revelando um dilema de estabilidade onde pesos de recompensa estáticos superam os dinâmicos devido à necessidade de um sinal quase estacionário para o PPO. O estudo introduz um método de sondagem causal para identificar a alavancagem de termos de recompensa específicos, descobrindo que um aumento na penalidade de switching melhora significativamente a taxa de dados.