Buchumschlag

Revisiting Safe Exploration in Safe Reinforcement learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Eckel, David, Zhang, Baohe, Bödecker, Joschka
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning Artificial Intelligence Robotics
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

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

Constrained Reinforcement Learning with Smoothed Log Barrier Function
von: Zhang, Baohe, et al.
Veröffentlicht: (2024)

Safe Exploration via Policy Priors
von: Wendl, Manuel, et al.
Veröffentlicht: (2026)

Implicit Safe Set Algorithm for Provably Safe Reinforcement Learning
von: Zhao, Weiye, et al.
Veröffentlicht: (2024)

Sampling-Based Safe Reinforcement Learning
von: Vignola, Luca, et al.
Veröffentlicht: (2026)

GUARD: A Safe Reinforcement Learning Benchmark
von: Zhao, Weiye, et al.
Veröffentlicht: (2023)

Long-term Safe Reinforcement Learning with Binary Feedback
von: Wachi, Akifumi, et al.
Veröffentlicht: (2024)

Boundary-to-Region Supervision for Offline Safe Reinforcement Learning
von: Su, Huikang, et al.
Veröffentlicht: (2025)

Leveraging Analytic Gradients in Provably Safe Reinforcement Learning
von: Walter, Tim, et al.
Veröffentlicht: (2025)

Safe Reinforcement Learning in a Simulated Robotic Arm
von: Kovač, Luka, et al.
Veröffentlicht: (2023)

Safe Offline Reinforcement Learning with Feasibility-Guided Diffusion Model
von: Zheng, Yinan, et al.
Veröffentlicht: (2024)

Safe Offline Reinforcement Learning with Real-Time Budget Constraints
von: Lin, Qian, et al.
Veröffentlicht: (2023)

Physics-model-guided Worst-case Sampling for Safe Reinforcement Learning
von: Cao, Hongpeng, et al.
Veröffentlicht: (2024)

Long and Short-Term Constraints Driven Safe Reinforcement Learning for Autonomous Driving
von: Hu, Xuemin, et al.
Veröffentlicht: (2024)

TreeIRL: Safe Urban Driving with Tree Search and Inverse Reinforcement Learning
von: Tomov, Momchil S., et al.
Veröffentlicht: (2025)

Beyond Hard Constraints: Budget-Conditioned Reachability For Safe Offline Reinforcement Learning
von: Brahmanage, Janaka Chathuranga, et al.
Veröffentlicht: (2026)

Safe Deep Policy Adaptation
von: Xiao, Wenli, et al.
Veröffentlicht: (2023)

HAIM-DRL: Enhanced Human-in-the-loop Reinforcement Learning for Safe and Efficient Autonomous Driving
von: Huang, Zilin, et al.
Veröffentlicht: (2024)

Ethics-Aware Safe Reinforcement Learning for Rare-Event Risk Control in Interactive Urban Driving
von: Li, Dianzhao, et al.
Veröffentlicht: (2025)

Beyond Scalar Rewards: Distributional Reinforcement Learning with Preordered Objectives for Safe and Reliable Autonomous Driving
von: Abouelazm, Ahmed, et al.
Veröffentlicht: (2026)

Integrating LTL Constraints into PPO for Safe Reinforcement Learning
von: Zhang, Maifang, et al.
Veröffentlicht: (2026)

SafeAuto: Knowledge-Enhanced Safe Autonomous Driving with Multimodal Foundation Models
von: Zhang, Jiawei, et al.
Veröffentlicht: (2025)

A Provable Approach for End-to-End Safe Reinforcement Learning
von: Wachi, Akifumi, et al.
Veröffentlicht: (2025)

Simplex-enabled Safe Continual Learning Machine
von: Cao, Hongpeng, et al.
Veröffentlicht: (2024)

GenSafe: A Generalizable Safety Enhancer for Safe Reinforcement Learning Algorithms Based on Reduced Order Markov Decision Process Model
von: Zhou, Zhehua, et al.
Veröffentlicht: (2024)

A Safety Modulator Actor-Critic Method in Model-Free Safe Reinforcement Learning and Application in UAV Hovering
von: Qi, Qihan, et al.
Veröffentlicht: (2024)

Towards a Practical Understanding of Lagrangian Methods in Safe Reinforcement Learning
von: Spoor, Lindsay, et al.
Veröffentlicht: (2025)

Superhuman Safe and Agile Racing through Multi-Agent Reinforcement Learning
von: Geles, Ismail, et al.
Veröffentlicht: (2026)

Bayesian Deep Learning for Segmentation for Autonomous Safe Planetary Landing
von: Tomita, Kento, et al.
Veröffentlicht: (2021)

Reinforcement Learning by Guided Safe Exploration
von: Yang, Qisong, et al.
Veröffentlicht: (2023)

Don't Freeze, Don't Crash: Extending the Safe Operating Range of Neural Navigation in Dense Crowds
von: Zhang, Jiefu, et al.
Veröffentlicht: (2026)

Discrete-Guided Diffusion for Scalable and Safe Multi-Robot Motion Planning
von: Liang, Jinhao, et al.
Veröffentlicht: (2025)

Distributional Soft Actor-Critic with Harmonic Gradient for Safe and Efficient Autonomous Driving in Multi-lane Scenarios
von: Zhang, Feihong, et al.
Veröffentlicht: (2025)

Multi-Agent Reinforcement Learning for Safe Autonomous Driving Under Pedestrian Behavioral Uncertainty
von: Aryan, Prakash, et al.
Veröffentlicht: (2026)

A Safe Reinforcement Learning driven Weights-varying Model Predictive Control for Autonomous Vehicle Motion Control
von: Zarrouki, Baha, et al.
Veröffentlicht: (2024)

Meta SAC-Lag: Towards Deployable Safe Reinforcement Learning via MetaGradient-based Hyperparameter Tuning
von: Honari, Homayoun, et al.
Veröffentlicht: (2024)

A Real-Time Neuro-Symbolic Ethical Governor for Safe Decision Control in Autonomous Robotic Manipulation
von: Aueawatthanaphisut, Aueaphum, et al.
Veröffentlicht: (2026)

SEAL: Towards Safe Autonomous Driving via Skill-Enabled Adversary Learning for Closed-Loop Scenario Generation
von: Stoler, Benjamin, et al.
Veröffentlicht: (2024)

HASARD: A Benchmark for Vision-Based Safe Reinforcement Learning in Embodied Agents
von: Tomilin, Tristan, et al.
Veröffentlicht: (2025)

The Unreasonable Effectiveness of Discrete-Time Gaussian Process Mixtures for Robot Policy Learning
von: von Hartz, Jan Ole, et al.
Veröffentlicht: (2025)