Buchumschlag

A Domain-Knowledge-Aided Deep Reinforcement Learning Approach for Flight Control Design

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Shin, Hyo-Sang, He, Shaoming, Tsourdos, Antonios
Format:	Preprint
Veröffentlicht:	2019
Schlagworte:	Artificial Intelligence Machine Learning Systems and Control
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Incremental Correction in Dynamic Systems Modelled with Neural Networks for Constraint Satisfaction
von: Cho, Namhoon, et al.
Veröffentlicht: (2022)

cc-DRL: a Convex Combined Deep Reinforcement Learning Flight Control Design for a Morphing Quadrotor
von: Yang, Tao, et al.
Veröffentlicht: (2024)

Autonomous UAV Flight Navigation in Confined Spaces: A Reinforcement Learning Approach
von: Tayar, Marco S., et al.
Veröffentlicht: (2025)

Dynamic Deep-Reinforcement-Learning Algorithm in Partially Observable Markov Decision Processes
von: Omi, Saki, et al.
Veröffentlicht: (2023)

Guidance Design for Escape Flight Vehicle Using Evolution Strategy Enhanced Deep Reinforcement Learning
von: Hu, Xiao, et al.
Veröffentlicht: (2024)

Formally Verifying Deep Reinforcement Learning Controllers with Lyapunov Barrier Certificates
von: Mandal, Udayan, et al.
Veröffentlicht: (2024)

DeepSafeMPC: Deep Learning-Based Model Predictive Control for Safe Multi-Agent Reinforcement Learning
von: Wang, Xuefeng, et al.
Veröffentlicht: (2024)

Deep Learning Based Simulators for the Phosphorus Removal Process Control in Wastewater Treatment via Deep Reinforcement Learning Algorithms
von: Mohammadi, Esmaeel, et al.
Veröffentlicht: (2024)

ADLight: A Universal Approach of Traffic Signal Control with Augmented Data Using Reinforcement Learning
von: Wang, Maonan, et al.
Veröffentlicht: (2022)

Reinforcement Learning with Partial Parametric Model Knowledge
von: Wang, Shuyuan, et al.
Veröffentlicht: (2023)

Fleet Rebalancing for Expanding Shared e-Mobility Systems: A Multi-agent Deep Reinforcement Learning Approach
von: Luo, Man, et al.
Veröffentlicht: (2022)

Transmission Interface Power Flow Adjustment: A Deep Reinforcement Learning Approach based on Multi-task Attribution Map
von: Liu, Shunyu, et al.
Veröffentlicht: (2024)

A TinyML Reinforcement Learning Approach for Energy-Efficient Light Control in Low-Cost Greenhouse Systems
von: Salem, Mohamed Abdallah, et al.
Veröffentlicht: (2025)

Benchmarking Deep Reinforcement Learning for Navigation in Denied Sensor Environments
von: Wisniewski, Mariusz, et al.
Veröffentlicht: (2024)

Vehicle Dispatching and Routing of On-Demand Intercity Ride-Pooling Services: A Multi-Agent Hierarchical Reinforcement Learning Approach
von: Si, Jinhua, et al.
Veröffentlicht: (2023)

Robust Recovery Controller for a Quadrupedal Robot using Deep Reinforcement Learning
von: Lee, Joonho, et al.
Veröffentlicht: (2019)

Multi-hop Upstream Anticipatory Traffic Signal Control with Deep Reinforcement Learning
von: Li, Xiaocan, et al.
Veröffentlicht: (2024)

Trustworthy and Explainable Deep Reinforcement Learning for Safe and Energy-Efficient Process Control: A Use Case in Industrial Compressed Air Systems
von: Bezold, Vincent, et al.
Veröffentlicht: (2025)

A Graph-Enhanced Deep-Reinforcement Learning Framework for the Aircraft Landing Problem
von: Maru, Vatsal
Veröffentlicht: (2025)

Optimisation of Structured Neural Controller Based on Continuous-Time Policy Gradient
von: Cho, Namhoon, et al.
Veröffentlicht: (2022)

Safe Deep Model-Based Reinforcement Learning with Lyapunov Functions
von: Zhang, Harry
Veröffentlicht: (2024)

Resilient Control of Networked Microgrids using Vertical Federated Reinforcement Learning: Designs and Real-Time Test-Bed Validations
von: Mukherjee, Sayak, et al.
Veröffentlicht: (2023)

Asynchronous Distributed Reinforcement Learning for LQR Control via Zeroth-Order Block Coordinate Descent
von: Jing, Gangshan, et al.
Veröffentlicht: (2021)

ART for Diffusion Sampling: A Reinforcement Learning Approach to Timestep Schedule
von: Huang, Yilie, et al.
Veröffentlicht: (2026)

FlightKooba: A Fast Interpretable FTP Model
von: Lu, Jing, et al.
Veröffentlicht: (2025)

Constrained Reinforcement Learning for Safe Heat Pump Control
von: Zhang, Baohe, et al.
Veröffentlicht: (2024)

Bayesian Critique-Tune-Based Reinforcement Learning with Adaptive Pressure for Multi-Intersection Traffic Signal Control
von: Duan, Wenchang, et al.
Veröffentlicht: (2024)

Deep Reinforcement Learning for Advanced Longitudinal Control and Collision Avoidance in High-Risk Driving Scenarios
von: Chen, Dianwei, et al.
Veröffentlicht: (2024)

A Passivity-Based Method for Accelerated Convex Optimisation
von: Cho, Namhoon, et al.
Veröffentlicht: (2023)

Verification-Aided Learning of Neural Network Barrier Functions with Termination Guarantees
von: Chen, Shaoru, et al.
Veröffentlicht: (2024)

Synthesis of Model Predictive Control and Reinforcement Learning: Survey and Classification
von: Reiter, Rudolf, et al.
Veröffentlicht: (2025)

Integrating Reinforcement Learning and Model Predictive Control with Applications to Microgrids
von: da Silva, Caio Fabio Oliveira, et al.
Veröffentlicht: (2024)

Multi-Objective Reinforcement Learning for Power Grid Topology Control
von: Lautenbacher, Thomas, et al.
Veröffentlicht: (2025)

Continual Reinforcement Learning for HVAC Systems Control: Integrating Hypernetworks and Transfer Learning
von: Bekal, Gautham Udayakumar, et al.
Veröffentlicht: (2025)

Facilitating Reinforcement Learning for Process Control Using Transfer Learning: Overview and Perspectives
von: Lin, Runze, et al.
Veröffentlicht: (2024)

Inverse Design in Distributed Circuits Using Single-Step Reinforcement Learning
von: Li, Jiayu, et al.
Veröffentlicht: (2025)

Hierarchical LLM-Driven Control for HAPS-Assisted UAV Networks: Joint Optimization of Flight and Connectivity
von: Yan, Zijiang, et al.
Veröffentlicht: (2026)

Green Energy Management for Sustainable Data Centers Using Deep Reinforcement Learning
von: Bahi, Abderaouf, et al.
Veröffentlicht: (2025)

Optimistic World Models: Efficient Exploration in Model-Based Deep Reinforcement Learning
von: Mete, Akshay, et al.
Veröffentlicht: (2026)

A General Approach of Automated Environment Design for Learning the Optimal Power Flow
von: Wolgast, Thomas, et al.
Veröffentlicht: (2025)