从自校正调节器到强化学习，再回到原点
最优化与控制
2019-09-24 v2 机器学习
机器学习
摘要
机器学习与强化学习（RL）正越来越多地应用于规划和控制与物理世界交互的自主系统的行为，例如自动驾驶汽车、分布式传感器网络和敏捷机器人。然而，当机器学习被应用于这些新场景时，算法最好具备与控制理论标志性特征相同类型的可靠性、鲁棒性和安全边界，否则故障可能是灾难性的。因此，随着学习算法越来越多且更积极地部署在安全关键环境中，控制理论家参与对话势在必行。本教程论文的目标是为希望从事学习相关问题的控制理论家提供一个起点，通过涵盖近期连接学习与控制理论的进展，并将这些成果置于系统辨识与自适应控制的适当历史背景中。
引用
@article{arxiv.1906.11392,
title = {From self-tuning regulators to reinforcement learning and back again},
author = {Nikolai Matni and Alexandre Proutiere and Anders Rantzer and Stephen Tu},
journal= {arXiv preprint arXiv:1906.11392},
year = {2019}
}
备注
Tutorial paper, 2019 IEEE Conference on Decision and Control, to appear