机器人学中的深度强化学习：实用成功综述
机器人学
2024-09-17 v3 机器学习
摘要
深度强化学习 (DRL)，即强化学习与深度神经网络结合，正在跨越广泛应用领域，显示出引领先进机器人行为开发的潜力。然而，机器人问题在将 RL 应用于实际场景时面临根本性挑战，主要源于与物理世界交互的复杂性和高昂成本。本文提供了 DRL 在机器人学领域的现代综述，重点评估了在实现几个关键机器人能力方面，DRL 所取得的实际成功案例。我们的分析旨在识别这些令人振奋成功背后的关键因素，揭示尚未被充分探索的领域，并对 DRL 在机器人学中的整体处境进行表征。我们强调了若干重要的未来方向，强调需要稳定且样本高效的实际机器人 RL 范式、发现和集成各种能力以解决复杂长期、开放式任务的整体方法，以及原则性的开发和评估程序。本综述旨在为 RL 实践者和机器人学家提供洞见，助力利用 RL 的力量构建普遍 capable 的实际机器人系统。
引用
@article{arxiv.2408.03539,
title = {Deep Reinforcement Learning for Robotics: A Survey of Real-World Successes},
author = {Chen Tang and Ben Abbatematteo and Jiaheng Hu and Rohan Chandra and Roberto Martín-Martín and Peter Stone},
journal= {arXiv preprint arXiv:2408.03539},
year = {2024}
}
备注
The first three authors contributed equally. Accepted to Annual Review of Control, Robotics, and Autonomous Systems