LEARNING
基于KL散度的轨迹正则化随机最优控制
Mintae Kim, Koushil Sreenath
- 发表年份
- 2026
- 访问权限
- 开放获取
摘要
本文提出了一种轨迹正则化随机最优控制方法，通过KL散度惩罚受控轨迹与参考轨迹的差异，并利用Girsanov定理将其转化为二次漂移失配项。该方法保留了动态规划结构，在线性二次型场景下可解析求解，且正则化参数能有效平衡性能驱动与参考保持行为。
关键词
stochastic optimal controlKL divergencetrajectory regularizationHJB equationlinear-quadratic
相关论文
LEARNING
📊 8,465 引用
The Organization of Behavior
D. O. Hebb
2005
LEARNING
📊 7,678 引用
Fractional Brownian Motions, Fractional Noises and Applications
Benoît B. Mandelbrot, John W. Van Ness
1968
LEARNING
开放获取📊 7,484 引用
Review of deep learning: concepts, CNN architectures, challenges, applications, future directions
Laith Alzubaidi, Jinglan Zhang, Amjad J. Humaidi 等 10 位作者
2021
LEARNING
📊 4,608 引用
A guide to deep learning in healthcare
Andre Esteva, Alexandre Robicquet, Bharath Ramsundar 等 10 位作者
2018