该论文于2009年发表在Neurocomputing上,论文作者Marc Peter Deisneroth
摘要部分:主要介绍了RL与Optimal Control的区别:针对Optimal Control需要先验知识;A classic optimal control problem, whereproblem-specific prior knowledge is available, and a classic RL problem, whereonly very general priors can be used.
引言部分:Bayesian method的主要特点--利用概率理论确定统计数据的不确定性。需要注意的一点就是径向基函数(radial basis function networks)也是一种参数化函数逼近器,参数化函数逼近器的主要问题是:在处理数据之前,函数的模型已经确定好了。引言中提到的几篇有关高斯回归应用在控制中的几篇论文需要阅读。
应用evidence maximization 求解超参数时包含有正则化项和loss function 这一项。利用V值实现状态的连续化,利用Q值实现动作的连续化。所以在构建Q值函数的时候是固定状态量,只跟动作有关,这样做一方面可以减少计算量,另一方面有可能Q值对应状态量和动作量都不连续,去掉一个可以减少这方面的影响。
Policy learning 中,分段训练这一块不是很明白,为什么需要分段,文中提到对于有些系统(以欠驱动系统为例)可能存在控制策略不连续的情况,所以做分段处理,这个解释不能说服我。并且论文中分段怎么实现的也不明确,需要自己进一步地去挖掘。
另外对于文中的仿真有几个可以利用,第一个是值函数的分布图;第二个是添加样本的图。