该项目研究了用于网络物理自治的新的强化学习（RL）方法，以弥合当前智能系统与人类智能之间的差距。 许多网络物理系统（CPS）具有分布式、异构和高维的特点，使得手工编码的功能和任务特定信息难以在学习方案中进行设计。 为了达到预期的性能，通常需要大量的训练数据，然而这限制了对其他任务的推广。 因此，该项目旨在探索新的强化学习策略，使CPS具有自主学习和泛化的能力，能够在设计阶段未假设的未知情况下快速适应。 研究结果有望改变智能体在高维和异构环境中的相互作用方式，因此可能为探索前沿人工智能技术的创造力提供深入的发现。

该项目的目标是推进强化学习的基础知识和科学方法，以实现CPS的泛化和可扩展性。 受最近神经生物学和心理学研究的启发，该项目将为CPS设计一种新的技能驱动的智能控制方法，该方法可以学习更多具有表现力的扩展技能，以自主和自适应地处理未知情况，而无需进一步的人为干预。 所提出的方法还将开发合作学习策略，与扩展技能共享，以促进探索并防止代理被动作细节所迷惑。 此外，该项目将开发自我激励的学习结构，以实现分布式视角下团队范围内成功的全球目标。 所开发的方法和相关架构将提供关键的见解和指导方针，以促进CPS的自主学习和泛化。 研究和教育计划的整合将为CPS、人工智能、学习和控制领域的太阳城娱乐劳动力做好准备。 外展活动将通过各种学习方法建立CPS研究与少数群体（妇女和西班牙裔学生），K-12和大学生之间的联系。

本项目响应NSF CAREER 20-525招标。

该奖项反映了美国国家科学基金会的法定使命，并通过使用基金会的知识价值和更广泛的影响审查标准进行评估，被认为值得支持。

摘要摘自： NSF

钟祥南博士个人网站