应用控制中的深度强化学习：挑战、分析与见解
系统与控制
2025-07-14 v1 系统与控制
摘要
过去十年，人们在采用深度神经网络来增强传统强化学习性能方面取得了显著进展。一个值得注意的里程碑是开发出深度 Q 网络 (DQN)，其在一系列 Atari 游戏上实现了人类水平的性能，展示了深度学习在稳定和扩展强化学习方面的潜力。随后，对连续控制算法的扩展为控制的新范式铺平了道路，吸引了比任何经典控制方法更广泛的关注。近期文献中也展示了这些技术在数据驱动、无模型算法中实现更高自主性水平的强大潜力。然而，这些方法的应用仍主要局限于模拟和游戏环境，正在努力将其扩展到实际应用中。在实现此类部署之前，对于这些方法在实际控制问题上的性能有一个扎实且量化的理解是必要的。本文对这些方法在四个多样化基准问题上的实现结果进行了比较分析。这一分析提供了对深入细致的系统评估，以阐明深度强化学习方法在实际控制setting 中的实际能力和局限性。
引用
@article{arxiv.2507.08196,
title = {Deep Reinforcement Learning in Applied Control: Challenges, Analysis, and Insights},
author = {Klinsmann Agyei and Pouria Sarhadi and Daniel Polani},
journal= {arXiv preprint arXiv:2507.08196},
year = {2025}
}