Continuous Control
태스크의 하위 분류와 논문·코드·평가·기법·데이터셋을 탐색하세요.
- 하위 태스크
- 3
- 평가표
- 73
- 보존된 평가 기록
- 116
Continuous control in the context of playing games, especially within artificial intelligence (AI) and machine learning (ML), refers to the ability to make a series of smooth, ongoing adjustments or actions to control a game or a simulation. This is in contrast to discrete control, where the actions are limited to a set of specific, distinct choices. Continuous control is crucial in environments where precision, timing, and the magnitude of actions matter, such as driving a car in a racing game, controlling a character in a simulation, or managing the flight of an aircraft in a flight simulator.
논문
이 태스크와 하위 분야의 관련 논문입니다. 실제 성능 비교는 평가 결과에서 확인하세요.
확산 정책 학습에서의 표현력과 통계적 트레이드오프
Safe Flow Q-Learning: 도달가능성 기반 플로우 정책을 활용한 오프라인 안전 강화학습
강화학습 에이전트에서 장애 유사 표현형의 범진단적 공간
NFTR: 증명 가능한 모드 평균화에서 오프라인 목표 조건부 강화학습의 측지선 서브골 선택까지
Dueling Q-Learning의 스펙트럼 분석
잠재 기억 궁전: 자기회귀 변분 추론으로서의 제어를 위한 추론
TNODEV: 신경 ODE 검증을 위한 툴박스
NCA 저장소에서 자기조직화 임계성을 위한 귀납적 바이어스로서의 질량 보존
최소 행동 거리 학습
신용 할당을 고려한 미시적 교통 시뮬레이션의 동적 기종점 행렬 추정을 위한 심층 강화학습
실시간 순환 학습을 활용한 부분 관측 가능성 환경에서의 스트리밍 강화학습
Learning the Supports for Categorical Critic in Reinforcement Learning
다중 장애물 환경에서 안전한 객체 던지기 학습
PoseVLA: 범용 포즈 사전학습을 통한 일반화 가능한 비전-언어-행동 정책
WAM4D: 공간 레지스터 토큰을 통한 빠른 4D 월드 액션 모델
WristMimic: 손목 기반 조작을 통한 전신 휴머노이드 제어
Lift3D-VLA: 3D 기하학 및 역학 인식 조작을 위한 VLA 모델 리프팅
낙농장에서의 다목적 배터리 관리를 위한 다중 에이전트 심층 강화학습
1-자유도 헬리콥터 시스템에서 안전한 강화학습을 위한 물리 정보 신경망 통합
궤적 추적을 위한 예측적 강화학습
베이즈 최적화를 활용한 에너지 인식 강화학습의 샘플 효율적 파레토 프론트 모델링
CDCP: 다중 작업 오프라인 안전 강화학습을 위한 문맥적 프롬프트 기반 조건부 확산 모델
강화학습을 위한 마스크 기반 예측 표현
에이전틱 탐험과 구조적 모델링의 시너지를 통한 태스크 충분 세계 모델 학습
Qantara: 다중 패러다임 JEPA 제어를 위한 브리지-플로우 학습
DynaWM: 움직이는 물체 조작을 위한 기반 VLA 유도 세계 파운데이션 모델
WorldBagel: 비전-언어-행동-세계 모델링을 위한 통합 멀티모달 모델의 잠재력 탐구
iFLYTEK-Embodied-Omni 기술 보고서
차동 증폭기에서 영감을 받은 AmpAttention을 활용한 다중 뷰 로봇 조작
AnchorVLA: 이산적 결정과 연속적 궤적을 잇는 비전-언어-행동 계획
임바디드 오퍼레이터와 벤치마킹: 재사용 가능하고 배포 가능한 임바디드 인텔리전스 시스템을 향하여
확산 모델 기반 불확실성 인식 지연 정책 최적화
MoP-JEPA: 확률적 JEPA 월드 모델을 위한 하드 할당 예측기 혼합
그래프 희소 샘플링: 연속 MDP 계획에서 지평의 저주 극복
From Consistency to Collaborative Discovery: MFEA-CoD for Multitask Novelty Search
출처: Papers with Code · CC BY-SA 4.0. 아카이브 자료와 새로 수집한 논문은 별도로 관리합니다.