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%3A00223262" target="_blank" >RIV/68407700:21230/14:00223262 - isvavai.cz</a>
Výsledek na webu
<a href="http://cmp.felk.cvut.cz/~peckama2/papers/safe_exploration_overview_lncs.pdf" target="_blank" >http://cmp.felk.cvut.cz/~peckama2/papers/safe_exploration_overview_lncs.pdf</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1007/978-3-319-13823-7" target="_blank" >10.1007/978-3-319-13823-7</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Safe Exploration Techniques for Reinforcement Learning - An Overview
Popis výsledku v původním jazyce
We overview different approaches to safety in (semi)autonomous robotics. Part icularly, we focus on how to achieve safe behavior of a robot if it is requested to perform ex ploration of unknown states. Presented methods are studied from the viewpoint ofreinforcement learning, a partially-supervised machine learning method. To collect training data for this a lgorithm, the robot is required to freely explore the state space - which can lead to possibly dangerous situations. The role of safe explorationis to provide a framework allowing explora tion while preserving safety. The examined methods range from simple algorithms to sophisticat ed methods based on previous experience or state prediction. Our overview also addresses the i ssues of how to define safety in the real-world applications (apparently absolute safety is un achievable in the continuous and random real world). In the conclusion we also suggest several ways that are worth researching more thoroughly.
Název v anglickém jazyce
Safe Exploration Techniques for Reinforcement Learning - An Overview
Popis výsledku anglicky
We overview different approaches to safety in (semi)autonomous robotics. Part icularly, we focus on how to achieve safe behavior of a robot if it is requested to perform ex ploration of unknown states. Presented methods are studied from the viewpoint ofreinforcement learning, a partially-supervised machine learning method. To collect training data for this a lgorithm, the robot is required to freely explore the state space - which can lead to possibly dangerous situations. The role of safe explorationis to provide a framework allowing explora tion while preserving safety. The examined methods range from simple algorithms to sophisticat ed methods based on previous experience or state prediction. Our overview also addresses the i ssues of how to define safety in the real-world applications (apparently absolute safety is un achievable in the continuous and random real world). In the conclusion we also suggest several ways that are worth researching more thoroughly.
Klasifikace
Druh
D - Stať ve sborníku
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
Název statě ve sborníku
Modelling and Simulation for Autonomous Systems
ISBN
978-3-319-13822-0
ISSN
0302-9743
e-ISSN
—
Počet stran výsledku
19
Strana od-do
357-375
Název nakladatele
Springer
Místo vydání
Cham
Místo konání akce
Rome
Datum konání akce
5. 5. 2014
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
—