지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 김상혁
- 발행연도
- 2021
- 저작권
- 경희대학교 논문은 저작권에 의해 보호받습니다.
이용수29
이 논문의 연구 히스토리 (3)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
Reinforcement learning is an artificial intelligence technology in which an agent interacts with a given environment to learn the proper action for each state. There are two types in reinforcement learning, a value based method for learning Q function and a policy based method for learning behavioral policies. The TD method, which is a classical value based learning algorithm, has a high biased problem, and the Monte-Carlo estimate algorithm used in Policy based learning has a high variance problem. In order to minimize these problems, an Actor Critic algorithm was devised that combined the value-based and policy-based methods. Moreover, PPO algorithm that limited policy updates to surrogate objectives was proposed to more stably converge the policy. However, it is still difficult to converge to an optimized reward due to the characteristics of the control field that has a continuous and vast state. In this paper, we propose a learning method in the form of imitation learning in which the model trained by supervised learning based on domain knowledge, and verify the excellence of optimization through reinforcement learning
목차
1. 서론 12. 이론적 배경 32.1 Imitation Learning 32.2 Behavioral Cloning 42.3 Actor Critic 52.4 Proximal Policy Optimization 63. 알고리즘 설계 및 구현 73.1 Domain Knowledge 회피기동 알고리즘 설계 73.2 지도학습 네트워크 설계 113.3 강화학습 알고리즘 설계 194. 모의실험 및 결과 224.1 강화학습 알고리즘 별 Reward 수렴 결과 비교 254.2 회피 기동 알고리즘 별 회피결과 비교 285. 결론 및 향후 과제 31참 고 문 헌 35
최근 본 자료
댓글(0)
0