Buchumschlag

Safe Reinforcement Learning for Real-World Engine Control

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Bedei, Julian, Koch, Lucas, Badalian, Kevin, Winkler, Alexander, Schaber, Patrick, Andert, Jakob
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Safe Reinforcement Learning for Real-World Engine Control Data and Scripts
von: Bedei, Julian, et al.
Veröffentlicht: (2024)

Transfer of Reinforcement Learning-Based Controllers from Model- to Hardware-in-the-Loop
von: Picerno, Mario, et al.
Veröffentlicht: (2023)

Introducing a Deep Neural Network-based Model Predictive Control Framework for Rapid Controller Implementation
von: Gordon, David C., et al.
Veröffentlicht: (2023)

Hybrid Reinforcement Learning and Model Predictive Control for Adaptive Control of Hydrogen-Diesel Dual-Fuel Combustion
von: Bedei, Julian, et al.
Veröffentlicht: (2025)

Production-Ready Automated ECU Calibration using Residual Reinforcement Learning
von: Kampmeier, Andreas, et al.
Veröffentlicht: (2026)

LExCI: A Framework for Reinforcement Learning with Embedded Systems
von: Badalian, Kevin, et al.
Veröffentlicht: (2023)

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)

From Learning to Mastery: Achieving Safe and Efficient Real-World Autonomous Driving with Human-In-The-Loop Reinforcement Learning
von: Zeqiao, Li, et al.
Veröffentlicht: (2025)

Probabilistic Shielding for Safe Reinforcement Learning
von: Court, Edwin Hamel-De le, et al.
Veröffentlicht: (2025)

Safe Urban Traffic Control via Uncertainty-Aware Conformal Prediction and World-Model Reinforcement Learning
von: Chandra, Joydeep, et al.
Veröffentlicht: (2026)

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

SafeDreamer: Safe Reinforcement Learning with World Models
von: Huang, Weidong, et al.
Veröffentlicht: (2023)

CAPSULE: Control-Theoretic Action Perturbations for Safe Uncertainty-Aware Reinforcement Learning
von: Narava, Rahul, et al.
Veröffentlicht: (2026)

Safe Reinforcement Learning-based Control for Hydrogen Diesel Dual-Fuel Engines
von: Sharma, Vasu, et al.
Veröffentlicht: (2025)

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

Safe Reinforcement Learning via Recovery-based Shielding with Gaussian Process Dynamics Models
von: Goodall, Alexander W., et al.
Veröffentlicht: (2026)

Real-World Reinforcement Learning of Active Perception Behaviors
von: Hu, Edward S., et al.
Veröffentlicht: (2025)

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

SafeAdapt: Provably Safe Policy Updates in Deep Reinforcement Learning
von: Anisimov, Maksim, et al.
Veröffentlicht: (2026)

Approximate Model-Based Shielding for Safe Reinforcement Learning
von: Goodall, Alexander W., et al.
Veröffentlicht: (2023)

Sanity Checking Causal Representation Learning on a Simple Real-World System
von: Gamella, Juan L., et al.
Veröffentlicht: (2025)

Enhancing Vision-Language Model Training with Reinforcement Learning in Synthetic Worlds for Real-World Success
von: Bredis, George, et al.
Veröffentlicht: (2025)

Abstraction for Offline Goal-Conditioned Reinforcement Learning
von: Wibault, Clarisse, et al.
Veröffentlicht: (2026)

Online Optimization for Offline Safe Reinforcement Learning
von: Chemingui, Yassine, et al.
Veröffentlicht: (2025)

IncidentNet: Traffic Incident Detection, Localization and Severity Estimation with Sparse Sensing
von: Peddiraju, Sai Shashank, et al.
Veröffentlicht: (2024)

Safe Flow Q-Learning: Offline Safe Reinforcement Learning with Reachability-Based Flow Policies
von: Tayal, Mumuksh, et al.
Veröffentlicht: (2026)

FutureWorld: A Live Reinforcement Learning Environment for Predictive Agents with Real-World Outcome Rewards
von: Han, Zhixin, et al.
Veröffentlicht: (2026)

A Production Scheduling Framework for Reinforcement Learning Under Real-World Constraints
von: Hoss, Jonathan, et al.
Veröffentlicht: (2025)

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

PCGRL+: Scaling, Control and Generalization in Reinforcement Learning Level Generators
von: Earle, Sam, et al.
Veröffentlicht: (2024)

Safe RLHF-V: Safe Reinforcement Learning from Multi-modal Human Feedback
von: Ji, Jiaming, et al.
Veröffentlicht: (2025)

How Should We Meta-Learn Reinforcement Learning Algorithms?
von: Goldie, Alexander David, et al.
Veröffentlicht: (2025)

Enhance Exploration in Safe Reinforcement Learning with Contrastive Representation Learning
von: Doan, Duc Kien, et al.
Veröffentlicht: (2025)

Safe Reinforcement Learning with Learned Non-Markovian Safety Constraints
von: Low, Siow Meng, et al.
Veröffentlicht: (2024)

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

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

Reinforcement Learning: An Overview
von: Murphy, Kevin
Veröffentlicht: (2024)

Agentic Reinforcement Learning for Real-World Code Repair
von: Zhu, Siyu, et al.
Veröffentlicht: (2025)

PNAct: Crafting Backdoor Attacks in Safe Reinforcement Learning
von: Guo, Weiran, et al.
Veröffentlicht: (2025)

Skill-based Safe Reinforcement Learning with Risk Planning
von: Zhang, Hanping, et al.
Veröffentlicht: (2025)