Träning inom komplexa domäner kan kräva såväl materiella som mänskliga resurser i stor omfattning, till exempel fordon, maskiner och rollspelare som kan befolka träningsscenarion. Detta kan göra det svårt att genomföra träningen i den verkliga operativa miljön. I stället kan en del av träningen genomföras i syntetiska, datorgenererade miljöer.
Reinforcement learning för ökad användbarhet av simuleringsbaserad träning
Johan Källström har i sin avhandling studerat hur maskininlärningsmetoden reinforcement learning kan användas för att konstruera syntetiska agenter för att stötta simuleringsbaserad pilotträning. Fokus har varit på metoder som kan finna en avvägning mellan flera olika mål, till exempel olika träningsmål, för att optimera nyttan för användaren. Avhandlingen presenterar agenter som kan ge stöd åt instruktörer genom att effektivt lära sig en mängd Pareto-optimala lösningar, samt genom att effektivt anpassa sig till användares träningsbehov i operativa träningssystem.
Läs avhandlingen: Reinforcement learning for improved utility of simulation-based training
Johan Källström, till vänster, och betygsnämndens ordförande Frans Oliehoek, University of Technology, Nederländerna. Foto David Bergström