Syvä vahvistusoppiminen fyysisissä järjestelmissä

Projektin yksityiskohdat

LyhytotsikkoDeepen
TilaPäättynyt
Todellinen alku/loppupvm01/01/201831/12/2019

Sormenjälki

Tutustu tutkimuksen aiheisiin, joita tämä projekti koskee. Nämä merkinnät luodaan taustalla olevien stipendien/apurahojen perusteella. Yhdessä ne muodostavat ainutlaatuisen sormenjäljen.
  • Few-shot model-based adaptation in noisy conditions

    Arndt, K., Ghadirzadeh, A., Hazara, M. & Kyrki, V., huhtikuuta 2021, julkaisussa: IEEE Robotics and Automation Letters. 6, 2, s. 4193-4200 8 Sivumäärä, 9384205.

    Tutkimustuotos: LehtiartikkeliArticleScientificvertaisarvioitu

    Open access
    Tiedosto
    42 Lataukset (Pure)
  • Meta Reinforcement Learning for Sim-to-real Domain Adaptation

    Arndt, K., Hazara, M., Ghadirzadeh, A. & Kyrki, V., 2020, Proceedings of the IEEE Conference on Robotics and Automation, ICRA 2020. IEEE, s. 2725-2731 7 Sivumäärä 9196540. (IEEE International Conference on Robotics and Automation).

    Tutkimustuotos: Artikkeli kirjassa/konferenssijulkaisussaConference contributionScientificvertaisarvioitu

    Open access
    4 Sitaatiot (Scopus)
  • Affordance Learning for End-to-End Visuomotor Robot Control

    Hamalainen, A., Arndt, K., Ghadirzadeh, A. & Kyrki, V., 1 marraskuuta 2019, Proceedings of the 2019 IEEE/RSJ International Conference on Intelligent Robots and Systems, IROS 2019. IEEE, s. 1781-1788 8 Sivumäärä 8968596. (Proceedings of the IEEE/RSJ International Conference on Intelligent Robots and Systems).

    Tutkimustuotos: Artikkeli kirjassa/konferenssijulkaisussaConference contributionScientificvertaisarvioitu

    Open access
    4 Sitaatiot (Scopus)