Este conteúdo foca na aplicação de Aprendizagem por Reforço Profunda de ponta a ponta para o desenvolvimento de sistemas de assistência à manutenção de faixa. A pesquisa explora o uso de IA avançada para aprimorar a segurança e autonomia veicular.
RAMP propõe uma nova estratégia para aprender modelos de ação de planejamento numérico online através de interações ambientais, integrando DRL, aprendizado de modelo de ação e planejamento. Isso cria um loop de feedback positivo onde a política de RL coleta dados para refinar o modelo de ação, enquanto o planejador gera planos para continuar treinando a 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.