大家好，又见面了，我是你们的朋友全栈君。
- 概念： 1）不同于监督学习，强化学习被用于处理复杂的决策任务，但是决策空间巨大，强化学习需要试错，样本的复杂程度较高（sample complexity），限制了强化学习的应用场景； 2）模仿学习，直接从专家样本中进行学习；由于比较高质量的决策行为数据，模仿学习被认为是可以降低样本复杂度的手段之一。 3）难点：决策行为的rewarding难以定义，高质量的决策示例可以确定合理的奖励设定方法。
- 局限性： 2.1 数据的可获得性 影子模式可以有效的解决数据的可获得性，但是其中的数据也包括了不值得提倡的司机行为； 2.2 模型的有效性 端到端的特性： 1）可解释性较差；可解释性上刚刚有所进展（可解释机器学习？-文档） 2）难以在中间过程中，接收信息和指令； 2.3 预测能力 不能教Autopilot系统处理无法轻易预测的危险情景。比如，老司机看到飘在前方的塑料袋时会不转向，但自动驾驶系统会；存在识别训练数据相关性问题，它不能通过纯粹观察相关性来建构因果模型，并且无法在模拟中主动测试反事实。
- 应用方式： 1）基于规则的规划、控制模块，还是基础的功能实现方案； 2)强化学习、模仿学习，作为规划、控制模块的备份方案，在极端场景下-conner case 或规则无法覆盖的场景，能够有效的实现相应功能模块。
- 论文及学习： 1）https://arxiv.org/abs/1812.03079v1； 学习：https://blog.csdn.net/Nick_cloud/article/details/109701213；https://zhuanlan.zhihu.com/p/57275593 2）https://arxiv.org/abs/2111.08575v1
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 举报，一经查实，本站将立刻删除。
发布者：全栈程序员栈长，转载请注明出处：https://javaforall.cn/192705.html原文链接：https://javaforall.cn
