Konsep Inti
쿼드로터 제어를 위한 심층 강화 학습(DRL) 정책의 성능과 Sim-To-Real 전이 능력은 제공되는 입력 데이터의 구성에 따라 크게 달라지며, 최적의 성능을 위해서는 최소한의 필수 정보만 포함하는 것이 더 효과적일 수 있다.
Abstrak
쿼드로터 제어를 위한 심층 강화 학습: 입력 데이터 구성의 영향 분석 (연구 논문 요약)
Dionigi, A., Costante, G., & Loianno, G. (2024). The Power of Input: Benchmarking Zero-Shot Sim-To-Real Transfer of Reinforcement Learning Control Policies for Quadrotor Control. IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS).
본 연구는 쿼드로터 제어를 위한 심층 강화 학습(DRL) 정책의 성능 및 Sim-To-Real 전이 능력에 대한 입력 데이터 구성의 영향을 분석하는 것을 목표로 한다.