> ML_LITERATURE // LILLICRAP-2016-CONTINUOUS-CONTROL-WITH-DEEP-REINFORCEMENT-LEARNING-DDPG_v1.0
Continuous control with deep reinforcement learning (DDPG)
Timothy P. Lillicrap, Jonathan J. Hunt, Alexander Pritzel, Nicolas Heess, Tom Erez, Yuval Tassa, David Silver, Daan Wierstra · International Conference on Learning Representations (ICLR) (2016)
algorithm2016foundationalthirdPartyReproduced
Temel Katkı (Principal Contribution)
Belirleyici Politika Gradyanını (DPG), aktör-eleştirmen mimarisi, yeniden oynatma belleği ve yumuşak hedef güncellemeleri kullanarak sürekli eylem uzaylarına uyarladı.
Operasyonel ve Mühendislik Uygunluğu
task-reinforcement-learning, task-continuous-control için yetkili teorik ve sistem temeli olarak hizmet eder.
Temel Varsayımlar (Assumptions)
- Hedef değerlendirme ortamlarında Markovian durum dinamikleri ve durağan ödül fonksiyonları geçerlidir
Kısıtlar ve Sınırlamalar (Limitations)
- Örneklem verimliliği, keşif kararlılığı ve simülasyondan gerçeğe transfer boşlukları özel ayarlama gerektirir
Bağlantılı Algoritmalar, Mimariler ve Kütüphaneler
İlgili Algoritmalar:
İlgili Mimariler:
Uygulayıcı Kütüphaneler: