Jogo da Imitacão: Uma Híbrido de Aprendizado por Reforço Profundo Baseado em Modelo e Imitacão

Sistemas autônomos e de aprendizado baseados em Aprendizado por Reforço Profundo firmaram-se como uma base para abordagens na criação de Sistemas de Energia Ciberfísicos resilientes e eficientes. No entanto, a maioria das abordagens atuais sofre de dois problemas distintos: algoritmos modernos sem modelo, como o Soft Actor Critic, necessitam de um alto número de amostras para aprender uma política significativa, assim como um recurso de backup para se proteger contra desvios de conceito (por exemplo, esquecimento catastrófico). Neste artigo, apresentamos o trabalho em andamento em direção a uma arquitetura de agente híbrido que combina Aprendizado por Reforço Profundo baseado em modelo com aprendizado por imitação para superar ambos os problemas.