用于多任务控制与适应的神经算子

神经算子方法已成为学习无限维函数空间之间映射的强大工具，但其在最优控制中的潜力在很大程度上仍未得到探索。我们专注于多任务控制问题，其解是从任务描述（例如，成本或动力学函数）到最优控制律（例如，反馈策略）的映射。我们使用置换不变神经算子架构来逼近这些解算子。在一系列参数化最优控制环境和运动基准测试中，通过行为克隆训练的单个算子能够精确逼近解算子，并泛化到未见过的任务、分布外设置以及不同数量的任务观测。我们进一步表明，我们神经算子架构的分支-主干结构能够实现对新任务的高效且灵活的适应。我们开发了从轻量级更新到全网络微调的结构化适应策略，在不同的数据和计算设置下均取得了强大的性能。最后，我们引入了元训练算子变体，为少样本适应优化了初始化。这些方法能够在有限数据下实现快速任务适应，并持续优于流行的元学习基线。总之，我们的结果表明，神经算子为多任务控制和适应提供了一个统一且高效的框架。