sjo200 - CS 대학원 수업 정리 블로그

 - 여러 가지 C.D. 논문을 구현한 사이트

http://gamma.cs.unc.edu/research/collision/packages.html

 - 그 중 가장 많이 쓰이고 비교적 매우 빠른 library인 PQP

http://gamma.cs.unc.edu/SSV/

 첨언하자면, 어차피 이런거 안봐도 유니티 같은 플랫폼에서 최단거리, 충돌여부 이런거 다 캡슐화 해서 잘 되있을 것이다(플랫폼은 실제로 안써봄;). 따라서 학계에 관심 없다면 안봐도 된다(PQP 원리는 알고 쓰는걸 추천함). 어차피 실제 어플리케이션 구현 시 제약조건에 따라 BVH 잘 만들거나 PQP만 잘 써도 C.D.는 매우 빠르고 쉽게 된다. 논문에서 쓰이는 건 보통 특별한 케이스(많은 데이터 / 뭔가 아직 해결안된 컨벡스한 모양 등등...)이기 때문이다.

 - 오라클 DB 공홈 설명자료

https://docs.oracle.com/en/database/

 - 오라클 DB 공홈 12c 버전 설명자료

https://docs.oracle.com/en/database/oracle/oracle-database/12.2/cncpt/index.html

 - 오라클 성능 고도화 원리와 해법, 조시형 지음

 구글링하면 매우 자세하게 잘 설명한 사이트와 블로그가 많으므로 키워드와 간략한 설명만 적을 것이다.

- motion grammars for character animation, Eurographics, 2016

DL 쓰기 이전의 최신 논문

- DeepMind control suite, arxiv, 2018

D4PG(Distributed Distributional Deep Deterministic Policy Gradient) 제안, uniform reward [0,1], unsolvable or cheating(의도하지 않은 reward가 많이 보인다), 잘되는게 하나씩은 있다

- asynchronous methods for deep reinforcement learning, ICML, 2016

A3C를 사용하여 이전 논문들(Q-learning)에 비해 16CPU로 여러 GPU보다 더 빠른 병렬적 학습 가능, replay memory를 사용하지 않음

 - high dimensional continuous control using generalized advantage estimation, ICLR, 2016

새로운 approach로 안정적인 학습을 할 수 있게한 논문이었던것 같다. 잘못된 설명을 할 것같아서 링크로 대체

https://reinforcement-learning-kr.github.io/2018/06/23/6_gae/

 - space time planning with parameterized locomotion controllers

 과도기적 논문, high level A* space-time plan + lower level RL controller (RL의 초기 접목 단계), Sergey Levine이 이때부터쯤 유명해졌다고 들은 듯 하다.

 - continuous control with deep reinforcement learning, ICLR, 2016

 DDPG를 소개한 논문?

여기 설명 너무 잘되있다;

https://talkingaboutme.tistory.com/983