Cookies y Privacidad
Usamos cookies propias y de terceros para mejorar la experiencia de nuestros usuarios, analizar el tráfico del sitio y personalizar contenido. Si continúas navegando, asumimos que aceptas su uso. Para más información, consulta nuestra Política de Cookies
Más allá de la prueba y error: mantenerse en el carril con la optimización de búsqueda de árbol de Monte Carlo impulsada por el aprendizaje por refuerzo
En los últimos años, el Aprendizaje por Refuerzo (RL) ha destacado en el ámbito del control de vehículos autónomos, que se distingue por la ausencia de limitaciones, como datos de entrenamiento específicos o la necesidad de identificación de un modelo matemático explícito.
Autores: Kvári, Bálint; Pelenczei, Bálint; Knáb, István Gellért; Bécsi, Tamás
Idioma: Inglés
Editor: MDPI
Año: 2024
Disponible con Suscripción Virtualpro
Artículos
Categoría
Ingeniería y Tecnología
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 12
Citaciones: Sin citaciones
Este documento es un artículo elaborado por Bálint Kővári, Bálint Pelenczei, István Gellért Knáb y Tamás Bécsi para la revista Electronics, Vol. 13, Núm. 11. Publicación de MDPI. Contacto: electronics@mdpi.com
En los últimos años, el Aprendizaje por Refuerzo (RL) ha destacado en el ámbito del control de vehículos autónomos, que se distingue por la ausencia de limitaciones, como datos de entrenamiento específicos o la necesidad de identificación de un modelo matemático explícito.
Descripción
En los últimos años, el Aprendizaje por Refuerzo (RL) ha destacado en el ámbito del control de vehículos autónomos, que se distingue por la ausencia de limitaciones, como datos de entrenamiento específicos o la necesidad de identificación de un modelo matemático explícito.