Constrained Differentiable Policy Learning for Safe Quadrotor Navigation
Noch nicht auf Deutsch verfügbar: Anzeige im englischen Original.
Aus dem Abstract
Differentiable simulation enables efficient policy optimization through analytic gradients, yet safety is commonly incorporated as a weighted penalty, requiring manual tuning of the trade-off between task performance and constraint satisfaction. We instead formulate obstacle avoidance as an explicit constraint and train quadrotor policies using primal--dual gradient descent--ascent through a differentiable simulator.
Aus dem Abstract. Unsere Zusammenfassung folgt.
Der Volltext wird hier nicht wiedergegeben, weil die Lizenz der Studie das nicht erlaubt. Das Original steht auf arXiv.