Buchumschlag

C-STEP: Continuous Space-Time Empowerment for Physics-informed Safe Reinforcement Learning of Mobile Agents

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Daubt, Guihlerme, Redder, Adrian
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Systems and Control Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Deep Reinforcement Learning with Enhanced PPO for Safe Mobile Robot Navigation
von: Taheri, Hamid, et al.
Veröffentlicht: (2024)

Safe Multi-Agent Reinforcement Learning with Convergence to Generalized Nash Equilibrium
von: Li, Zeyang, et al.
Veröffentlicht: (2024)

Operator Models for Continuous-Time Offline Reinforcement Learning
von: Hoischen, Nicolas, et al.
Veröffentlicht: (2025)

LexiSafe: Offline Safe Reinforcement Learning with Lexicographic Safety-Reward Hierarchy
von: Yang, Hsin-Jung, et al.
Veröffentlicht: (2026)

Feasible Policy Iteration for Safe Reinforcement Learning
von: Yang, Yujie, et al.
Veröffentlicht: (2023)

Safe and Robust Reinforcement Learning: Principles and Practice
von: Yamagata, Taku, et al.
Veröffentlicht: (2024)

Model-free Reinforcement Learning for Model-based Control: Towards Safe, Interpretable and Sample-efficient Agents
von: Banker, Thomas, et al.
Veröffentlicht: (2025)

Impact of Computation in Integral Reinforcement Learning for Continuous-Time Control
von: Cao, Wenhan, et al.
Veröffentlicht: (2024)

Global Rewards in Multi-Agent Deep Reinforcement Learning for Autonomous Mobility on Demand Systems
von: Hoppe, Heiko, et al.
Veröffentlicht: (2023)

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

Kernel-Based Safe Exploration in Deep Reinforcement Learning
von: Majumdar, Rupak, et al.
Veröffentlicht: (2026)

Safe Reinforcement Learning with Minimal Supervision
von: Quessy, Alexander, et al.
Veröffentlicht: (2025)

Offline Guarded Safe Reinforcement Learning for Medical Treatment Optimization Strategies
von: Yan, Runze, et al.
Veröffentlicht: (2025)

Provable Traffic Rule Compliance in Safe Reinforcement Learning on the Open Sea
von: Krasowski, Hanna, et al.
Veröffentlicht: (2024)

A Safe Reinforcement Learning Algorithm for Supervisory Control of Power Plants
von: Sun, Yixuan, et al.
Veröffentlicht: (2024)

How Does the Lagrangian Guide Safe Reinforcement Learning through Diffusion Models?
von: Cheng, Xiaoyuan, et al.
Veröffentlicht: (2026)

Optimizing Operation Recipes with Reinforcement Learning for Safe and Interpretable Control of Chemical Processes
von: Brandner, Dean, et al.
Veröffentlicht: (2025)

Foundations of Safe Online Reinforcement Learning in the Linear Quadratic Regulator: Generalized Baselines
von: Schiffer, Benjamin, et al.
Veröffentlicht: (2024)

Foundations of Safe Online Reinforcement Learning in the Linear Quadratic Regulator: $\sqrt{T}$-Regret
von: Schiffer, Benjamin, et al.
Veröffentlicht: (2025)

Physics-informed Goal-Conditioned Reinforcement Learning under Hybrid Contact Dynamics
von: Giammarino, Vittorio, et al.
Veröffentlicht: (2026)

Ablation Study of How Run Time Assurance Impacts the Training and Performance of Reinforcement Learning Agents
von: Hamilton, Nathaniel, et al.
Veröffentlicht: (2022)

Risk-Aware Safe Reinforcement Learning for Control of Stochastic Linear Systems
von: Esmaeili, Babak, et al.
Veröffentlicht: (2025)

Safe Reinforcement Learning-Based Vibration Control: Overcoming Training Risks with LQR Guidance
von: Thorat, Rohan Vitthal, et al.
Veröffentlicht: (2025)

Enhancing Reinforcement Learning Agents with Local Guides
von: Daoudi, Paul, et al.
Veröffentlicht: (2024)

Safely Learning Dynamical Systems
von: Ahmadi, Amir Ali, et al.
Veröffentlicht: (2023)

Optimism as Risk-Seeking in Multi-Agent Reinforcement Learning
von: Zhang, Runyu, et al.
Veröffentlicht: (2025)

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

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

Investigating the Impact of Choice on Deep Reinforcement Learning for Space Controls
von: Hamilton, Nathaniel, et al.
Veröffentlicht: (2024)

Decentralized Event-Triggered Online Learning for Safe Consensus of Multi-Agent Systems with Gaussian Process Regression
von: Dai, Xiaobing, et al.
Veröffentlicht: (2024)

Sublinear Regret for a Class of Continuous-Time Linear-Quadratic Reinforcement Learning Problems
von: Huang, Yilie, et al.
Veröffentlicht: (2024)

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

Federated Multi-Agent Deep Reinforcement Learning Approach via Physics-Informed Reward for Multi-Microgrid Energy Management
von: Li, Yuanzheng, et al.
Veröffentlicht: (2022)

Stable and Safe Human-aligned Reinforcement Learning through Neural Ordinary Differential Equations
von: Zhao, Liqun, et al.
Veröffentlicht: (2024)

Safe Online Control-Informed Learning
von: Zhou, Tianyu, et al.
Veröffentlicht: (2025)

Excluding the Irrelevant: Focusing Reinforcement Learning through Continuous Action Masking
von: Stolz, Roland, et al.
Veröffentlicht: (2024)

Structured Cooperative Multi-Agent Reinforcement Learning: a Bayesian Network Perspective
von: Syed, Shahbaz P Qadri, et al.
Veröffentlicht: (2025)

Finite-Time Analysis of On-Policy Heterogeneous Federated Reinforcement Learning
von: Zhang, Chenyu, et al.
Veröffentlicht: (2024)

Multi-Agent Reinforcement Learning for Offloading Cellular Communications with Cooperating UAVs
von: Mondal, Abhishek, et al.
Veröffentlicht: (2024)

The Synergy Between Optimal Transport Theory and Multi-Agent Reinforcement Learning
von: Baheri, Ali, et al.
Veröffentlicht: (2024)