심층 강화학습(DRL) 기반 엔드투엔드 로봇 제어, 조작/보행 정책 학습 및 Sim-to-Real 전이 기법입니다.
📌 핵심 요약 (Key Takeaways) 핵심 성과 1: 기존 중앙집중식 메타 RL 및 분산 DRL 대비 45% 빠른 에피소드 적응 속도와 60~80% 감소한 통신 오버헤드 달성. 독창적 차별점 2: 경량화된 연합 메타 파라미터 집계, 그래디언트 스파시피케이션(Sparsification), 주기적 통신 기법을 결합하여 무선 자원 제약 극복. 실무 파급력 3: 대규모 비정상성(Non-stationary) 무선 환경 및 5G IoT 네트워크에서 … 더 읽기
📌 핵심 요약 (Key Takeaways) 핵심 성과 1: 바람에 따른 비대칭적 화재 확산 시뮬레이션 환경에 SUPER 알고리즘 기반 선택적 경험 공유를 적용하여 통신 대역폭 제약 극복 및 진압 성능 향상 달성 독창적 차별점 2: 중앙집중식 아키텍처의 한계를 극복하고, 개별 리플레이 버퍼를 갖는 분산형 DQN과 통신 인식 협업 메커니즘을 결합 실무 파급력 3: 통신 음영 지역과 … 더 읽기
📌 핵심 요약 (Key Takeaways) 핵심 성과 1: 397B 규모의 백본과 메모리 디코더(Intern-MemDec-4B) 분리 구조를 통해 동결(Frozen) 백본을 유지하면서도 생물학 및 복잡 시계열 태스크 성능을 대폭 향상 (Biology-Instructions 점수 56.92 → 60.32). 독창적 차별점 2: 멀티태스크 강화학습(RL)과 부분 롤아웃(Partial Rollout), 오프폴리시 보정 기법을 결합하여 장기 태스크 호라이즌(Long-horizon)에서의 추론 및 제어 안정성 확보. 실무 파급력 3: … 더 읽기
📌 핵심 요약 (Key Takeaways) 핵심 성과 1: 이동 시간(Travel Time) 최적화에만 국한되던 기존 경로 계획의 한계를 극복하고, V2X 무선 통신 자원 가용성 및 정보의 신선도(AoI, Age of Information)를 동시에 제어하는 AGDRP(Age of Information-Guaranteed Dynamic Route Planning) 프레임워크 제시. 독창적 차별점 2: 심층 강화학습(DRL) 기반의 적응형 학습 메커니즘을 적용하여, 실시간 무선 채널 변동성과 교통 상황 … 더 읽기
