Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

Safe Exploration Techniques for Reinforcement Learning - An Overview

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21230%2F14%3A00223236" target="_blank" >RIV/68407700:21230/14:00223236 - isvavai.cz</a>

  • Výsledek na webu

  • DOI - Digital Object Identifier

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Safe Exploration Techniques for Reinforcement Learning - An Overview

  • Popis výsledku v původním jazyce

    We overview diferent approaches to safety in (semi)autonomous robotics. Particularly, we focus on how to achieve safe behavior of a robot if it is requested to perform exploration of unknown states. Presented methods are studied from the viewpoint of reinforcement learning, a partially-supervised machine learning method. Recently, it has shown to be one of the most suitable learning methods in robotics. However, to collect training data for this algorithm, the robot is required to freely explore the state space ? which can lead to possibly dangerous situations. The role of safe exploration is to provide a framework allowing exploration while preserving safety. The examined methods range from simple algorithms which utilize precise physical models to sophisticated methods based on previous experience or state prediction. Our overview also addresses the issues of how to define safety in the real-world applications. It is apparent that absolute safety is unachievable in the continuous and

  • Název v anglickém jazyce

    Safe Exploration Techniques for Reinforcement Learning - An Overview

  • Popis výsledku anglicky

    We overview diferent approaches to safety in (semi)autonomous robotics. Particularly, we focus on how to achieve safe behavior of a robot if it is requested to perform exploration of unknown states. Presented methods are studied from the viewpoint of reinforcement learning, a partially-supervised machine learning method. Recently, it has shown to be one of the most suitable learning methods in robotics. However, to collect training data for this algorithm, the robot is required to freely explore the state space ? which can lead to possibly dangerous situations. The role of safe exploration is to provide a framework allowing exploration while preserving safety. The examined methods range from simple algorithms which utilize precise physical models to sophisticated methods based on previous experience or state prediction. Our overview also addresses the issues of how to define safety in the real-world applications. It is apparent that absolute safety is unachievable in the continuous and

Klasifikace

  • Druh

    V<sub>souhrn</sub> - Souhrnná výzkumná zpráva

  • CEP obor

    JD - Využití počítačů, robotika a její aplikace

  • OECD FORD obor

Návaznosti výsledku

  • Projekt

  • Návaznosti

    S - Specificky vyzkum na vysokych skolach

Ostatní

  • Rok uplatnění

    2014

  • Kód důvěrnosti údajů

    S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Údaje specifické pro druh výsledku

  • Počet stran výsledku

    10

  • Místo vydání

    Praha

  • Název nakladatele resp. objednatele

    Center for Machine Perception, K13133 FEE Czech Technical University

  • Verze