世界模型

Traffic expertise meets residual RL: Knowledge-informed model-based residual reinforcement learning for CAV trajectory control

交通专家与残差强化学习相遇：基于知识的模型驱动残差强化学习用于智能交通车辆轨迹控制

Zihao Sheng, Zilin Huang, Sikai Chen

机构 * Department of Civil and Environmental Engineering, University of Wisconsin-Madison, Madison, WI, 53706, USA（土木与环境工程系，威斯尼大学麦迪逊分校） 纠错

专题命中 模型式强化学习 ：environment model(abstract)；model-based reinforcement learning(abstract)；model-based RL(abstract)；分类 cs.AI、cs.LG

AI总结 本文提出基于知识的模型驱动残差强化学习框架，用于智能交通车辆轨迹控制，结合交通专家知识与传统控制方法，提升学习效率与交通流平滑度。

Comments Accepted by Communications in Transportation Research

Journal ref Communications in Transportation Research 4 (2024): 100142

Vision-Conditioned Variational Bayesian Last Layer Dynamics Models

基于视觉的变分贝叶斯最后一层动力学模型

Paul Brunzema, Thomas Lew, Ray Zhang, Takeru Shirasawa, John Subosits, Marcus Greiff

机构 * department of Mechanical Engineering, Aachen University（机械工程系，亚琛大学） ； Toyota Research Institute（丰田研究院） 纠错

专题命中 模型式强化学习 ：dynamics model(title,abstract)；分类 cs.RO

AI总结 本文提出一种基于视觉的变分贝叶斯最后一层动力学模型，通过视觉上下文预测环境变化，提升赛车在动态条件下的控制性能。

Comments 9 pages, 7 figures, currently under review