論文の概要: Model-Based Reinforcement Learning for Control under Time-Varying Dynamics

• arxiv url: http://arxiv.org/abs/2604.02260v1
• Date: Thu, 02 Apr 2026 16:52:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-03 14:21:10.92959
• Title: Model-Based Reinforcement Learning for Control under Time-Varying Dynamics
• Title（参考訳）: 時間変化ダイナミクスを考慮したモデルベース強化学習
• Abstract要約: 時間変動力学下での制御のための強化学習について検討する。 適応型データバッファ機構を用いた実用的な楽観的モデルベース強化学習アルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 40.96573079787976
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learning-based control methods typically assume stationary system dynamics, an assumption often violated in real-world systems due to drift, wear, or changing operating conditions. We study reinforcement learning for control under time-varying dynamics. We consider a continual model-based reinforcement learning setting in which an agent repeatedly learns and controls a dynamical system whose transition dynamics evolve across episodes. We analyze the problem using Gaussian process dynamics models under frequentist variation-budget assumptions. Our analysis shows that persistent non-stationarity requires explicitly limiting the influence of outdated data to maintain calibrated uncertainty and meaningful dynamic regret guarantees. Motivated by these insights, we propose a practical optimistic model-based reinforcement learning algorithm with adaptive data buffer mechanisms and demonstrate improved performance on continuous control benchmarks with non-stationary dynamics.
• Abstract（参考訳）: 学習に基づく制御法は通常、静止系の力学を仮定するが、これは現実のシステムではドリフト、摩耗、動作条件の変化によってしばしば違反される仮定である。 時間変動力学下での制御のための強化学習について検討する。 本稿では,エージェントが繰り返し学習し,遷移ダイナミクスがエピソード間で進化する動的システムを制御する連続モデルに基づく強化学習環境について考察する。 頻繁な変動予算仮定の下でガウス過程力学モデルを用いて問題を解析する。 解析の結果, 持続的非定常性は, 校正された不確かさと意味のある動的後悔の保証を維持するために, 時代遅れのデータの影響を明示的に制限する必要があることがわかった。 これらの知見により,適応型データバッファ機構を持つ実用的な楽観的モデルベース強化学習アルゴリズムを提案し,非定常力学を用いた連続制御ベンチマークの性能向上を示す。

関連論文リスト

• Attention-based Experience Replay Framework for Continual Learning of Agnostic Time Series Forecasting Models [0.9668407688201359]
  連続学習は、計算制約下での安定性と可塑性のバランスを維持しつつ、漸進的に適応可能なモデルを開発することを目的としている。 本稿では,既存の静的予測モデルの拡張を目的とした連続時系列予測のための新しいフレームワークを提案する。 その結果,再トレーニングコストとデータ要求を低減しつつ,予測性能を時間とともに効果的に向上または維持することを示す。
  論文  参考訳（メタデータ） (2026-06-12T11:44:05Z)
• Continuous Data Assimilation with Learned Surrogate Dynamics [1.461685903055768]
  多くのアプリケーションにおいて、状態のダイナミクスは要求された解像度でシミュレートするために未知あるいは違法に高価であり、モデルエラーにつながる。 この課題と、データ同化における機械学習サロゲートの導入の増加に動機づけられた本研究では、学習した動的サロゲートモデルを用いたヌーディングアルゴリズムの有限次元解析を統一的に行う。
  論文  参考訳（メタデータ） (2026-05-30T02:15:51Z)
• Dyna-Style Reinforcement Learning Modeling and Control of Non-linear Dynamics [0.0]
  SINDy(Sparse Identification of Dynamics)とTD3(Twin Delayed Deep Deterministic Policy Gradient)を統合したDyna-Style Reinforcement Learning Controlフレームワークを提案する。 SINDyはシステムのデータ駆動モデルを特定し、明示的な物理モデルを必要とせずにキーダイナミクスをキャプチャする。 本フレームワークの有効性を実証するため,両回転子システムに適用し,安定化と軌道追尾性能の評価を行った。
  論文  参考訳（メタデータ） (2025-12-24T09:56:28Z)
• Model-Based Diffusion Sampling for Predictive Control in Offline Decision Making [48.998030470623384]
  オフラインの意思決定は、さらなるインタラクションを伴わずに、固定データセットからの信頼性の高い振る舞いを必要とする。 i)タスク整列軌道を多様に生成するプランナー,(ii)システム力学との整合性を強制するダイナミクスモデル,(iii)タスク目標に整合した動作を選択するランサーモジュールからなる構成モデルに基づく拡散フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-09T06:26:02Z)
• Data-Driven Control with Inherent Lyapunov Stability [3.695480271934742]
  本研究では,非線形力学モデルと安定化制御器のパラメトリック表現をデータから共同学習する手法として,インヒーレント・リャプノフ安定度制御(CoILS)を提案する。 新たな構成によって保証される学習力学の安定化性に加えて、学習した制御器は学習力学の忠実性に関する特定の仮定の下で真の力学を安定化することを示す。
  論文  参考訳（メタデータ） (2023-03-06T14:21:42Z)
• Active Learning of Discrete-Time Dynamics for Uncertainty-Aware Model Predictive Control [46.81433026280051]
  本稿では,非線形ロボットシステムの力学を積極的にモデル化する自己教師型学習手法を提案する。 我々のアプローチは、目に見えない飛行条件に一貫して適応することで、高いレジリエンスと一般化能力を示す。
  論文  参考訳（メタデータ） (2022-10-23T00:45:05Z)
• Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate Model Predictive Trajectory Tracking [76.27433308688592]
  クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。 本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。 提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
  論文  参考訳（メタデータ） (2022-06-07T13:51:35Z)
• Training Generative Adversarial Networks by Solving Ordinary Differential Equations [54.23691425062034]
  GANトレーニングによって引き起こされる連続時間ダイナミクスについて検討する。 この観点から、GANのトレーニングにおける不安定性は積分誤差から生じると仮定する。 本研究では,有名なODEソルバ(Runge-Kutta など)がトレーニングを安定化できるかどうかを実験的に検証する。
  論文  参考訳（メタデータ） (2020-10-28T15:23:49Z)
• Stochastically forced ensemble dynamic mode decomposition for forecasting and analysis of near-periodic systems [65.44033635330604]
  本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。 固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。 電力グリッドからの負荷データを用いたテストケースの結果が提示される。
  論文  参考訳（メタデータ） (2020-10-08T20:25:52Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。