Deutsch
 
Hilfe Datenschutzhinweis Impressum
  DetailsucheBrowse

Datensatz

DATENSATZ AKTIONENEXPORT
 
 
DownloadE-Mail
 Lokale TagsFreigabegeschichteDetailsÜbersicht
  Learning a Low-Dimensional Representation of a Safe Region for Safe Reinforcement Learning on Dynamical Systems

Zhou, Z., Oguz, O. S., Leibold, M., & Buss, M. (2023). Learning a Low-Dimensional Representation of a Safe Region for Safe Reinforcement Learning on Dynamical Systems. IEEE Transactions on Neural Networks and Learning Systems, 34(5), 2513-1527. doi:10.1109/TNNLS.2021.3106818.

Item is

 

einblenden: alle ausblenden: alle

Basisdaten

einblenden: ausblenden:
Datensatz-Permalink: https://hdl.handle.net/21.11116/0000-000D-CED4-C Versions-Permalink: https://hdl.handle.net/21.11116/0000-000D-CED5-B
Genre: Zeitschriftenartikel

Externe Referenzen

einblenden:
ausblenden:
externe Referenz:
https://doi.org/10.1109/TNNLS.2021.3106818 (Verlagsversion)
Beschreibung:
-
OA-Status:
Hybrid
externe Referenz:
https://doi.org/10.48550/arXiv.2010.09555 (Preprint)
Beschreibung:
-
OA-Status:
Grün

Urheber

einblenden:
ausblenden:
 Urheber:
Zhou, Zhehua1, Autor
Oguz, Ozgur S.2, Autor           
Leibold, Marion1, Autor
Buss, Martin1, Autor
Affiliations:
1External Organizations, ou_persistent22              
2Max Planck Fellow Group Physical Reasoning and Manipulation Lab, Max Planck Institute for Intelligent Systems, Max Planck Society, ou_3221035              

Inhalt

einblenden:
ausblenden:
Schlagwörter: Max Planck Fellow Toussaint
 Zusammenfassung: -

Details

einblenden:
ausblenden:
Sprache(n): eng - English
 Datum: 2021-09-032023-05
 Publikationsstatus: Erschienen
 Seiten: -
 Ort, Verlag, Ausgabe: -
 Inhaltsverzeichnis: -
 Art der Begutachtung: Expertenbegutachtung
 Identifikatoren: DOI: 10.1109/TNNLS.2021.3106818
arXiv: 2010.09555
 Art des Abschluß: -

Veranstaltung

einblenden:

Entscheidung

einblenden:

Projektinformation

einblenden:

Quelle 1

einblenden:
ausblenden:
Titel: IEEE Transactions on Neural Networks and Learning Systems
  Kurztitel : TNNLS
Genre der Quelle: Zeitschrift
 Urheber:
Affiliations:
Ort, Verlag, Ausgabe: New York : IEEE
Seiten: - Band / Heft: 34 (5) Artikelnummer: - Start- / Endseite: 2513 - 1527 Identifikator: ISSN: 2162-237X
ISSN: 2162-2388
CoNE: https://pure.mpg.de/cone/journals/resource/2162-237X