CN114186474B 用于目标控制的离线强化学习方法、装置和设备 （清华大学）_第1页
CN114186474B 用于目标控制的离线强化学习方法、装置和设备 （清华大学）_第2页
CN114186474B 用于目标控制的离线强化学习方法、装置和设备 （清华大学）_第3页
CN114186474B 用于目标控制的离线强化学习方法、装置和设备 （清华大学）_第4页
CN114186474B 用于目标控制的离线强化学习方法、装置和设备 （清华大学）_第5页
已阅读5页，还剩20页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

LearningwithSoftBe2获取历史数据，所述历史数据包括车辆驾驶环境信息和车辆操基于所述历史数据，更新预设的行为策略模拟器，确定行为策基于所述历史数据、所述行为策略和策略优化目标函数，通过预基于最大似然估计的方法，确定用于指示所述行为策略对所述策略模拟器的可学习参数，当优化策略选择的动作ar与模拟器选择的动作相差较大时，确定目标平均偏差；所述目标平均偏差为所述重要性采样3获取单元，用于获取历史数据，所述历史数据包括车辆驾驶环基于最大似然估计的方法，确定用于指示所述行为策略对所述策略模拟器的可学习参数，当优化策略T选择的动作at与模拟器选择的动作相差较大时，7.一种电子设备，包括存储器、处理器及序被处理器执行时实现如权利要求1至5中任一项所述的用于目标控制的离线强化学习方4[0001]本发明涉及深度学习技术领域，尤其涉及一种用于目标控制的离线强化学习方技术采用KL散度对优化策略进行约束，不允许优化策略相较于行为策略出现较大的偏移，5分布为行为策略为目标构造的；所述策略性能提升项被构造为与行为策略的奖励期望相上并可在处理器上运行的计算机程序所述处理器执行所述程序时实现如第一方面所提供6[0041]离线强化学习(OfflineReinforcementLearning)和在线强化学习(Online[0042]但是现有的方案采用的离线强化学习中，一般基于KL散度进行对优化策略的约[0043]图1是本发明提供的用于目标控制的离线强化学习方法的流程示意图之一，该方7tttt)可以促使优化策略π选择和模拟8正相关。但是计算的时候需要不断地重要性采样系数TTO间的平均偏差MMD(ulITTW)的方式，得到重要性采样系数ω的估9MMD(llT"0)的计算过程分为两步。大平均偏差MMD(olITTW).公式(5)如下所示：[0076]至此，计算得到了最大平均偏差MMD(wlITTW),通过最小化MMD(olITTW)目标控制的离线强化学习装置与上文描述的用于目标控制的离线强化学习方法可相互对化目标函数可以允许优化策略在高置信的状态下产生较大偏移，同时基于策略性能提升[0101]此外，上述的存储器430中的逻辑指令可以通过软件功能单元的形式实现并作为发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特

人人文库> 全部分类> 行业资料 > 信息产业

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论