数据驱动建筑控制实验的经验教训：基于高斯过程的MPC、双层DeePC与深度强化学习的对比
系统与控制
2022-06-01 v1 机器学习
系统与控制
摘要
本手稿从实验研究者的视角出发，探讨了若干现代数据驱动技术：依赖高斯过程的模型预测控制、基于行为理论的自适应数据驱动控制，以及深度强化学习。这些技术在数据需求、易用性、计算负担以及实际应用场景中的鲁棒性方面进行了比较。我们的评论与观察源于在建筑控制领域于多种环境中开展的若干实验研究，从 lecture halls（讲堂）、公寓空间到医院手术中心。最终目标是帮助他人确定哪种技术最适合解决其自身问题。
引用
@article{arxiv.2205.15703,
title = {Lessons Learned from Data-Driven Building Control Experiments: Contrasting Gaussian Process-based MPC, Bilevel DeePC, and Deep Reinforcement Learning},
author = {Loris Di Natale and Yingzhao Lian and Emilio T. Maddalena and Jicheng Shi and Colin N. Jones},
journal= {arXiv preprint arXiv:2205.15703},
year = {2022}
}