用于人形机器人导航任务的量子深度强化学习
机器人学
2025-09-16 v1
摘要
经典强化学习（RL）方法由于其广泛的参数需求以及随机、非确定性设置带来的挑战，往往在复杂、高维环境中表现不佳。本研究引入量子深度强化学习（QDRL）以高效训练人形智能体。虽然之前的量子 RL 模型聚焦于较小环境，如轮式机器人和机械臂，但我们的工作开创了 QDRL 在人形机器人中的应用，特别是在具有大量观测和动作空间的环境中，如 MuJoCo 的 Humanoid-v4 和 Walker2d-v4。利用参数化量子电路，我们探索了混合量子-经典设置，以直接导航高维状态空间，绕过了传统的映射与规划。通过将量子计算与深度 RL 相结合，我们旨在开发能够高效学习人形机器人复杂导航任务的模型。我们评估了经典 RL 中的 Soft Actor-Critic（SAC）与其量子实现的性能。结果表明，量子 SAC 在减少 92% 的步数后实现了 8% 更高的平均回报（246.40），而经典 SAC 为 228.36，突显了量子计算在 RL 任务中的加速学习潜力。
引用
@article{arxiv.2509.11388,
title = {Quantum deep reinforcement learning for humanoid robot navigation task},
author = {Romerik Lokossou and Birhanu Shimelis Girma and Ozan K. Tonguz and Ahmed Biyabani},
journal= {arXiv preprint arXiv:2509.11388},
year = {2025}
}