面向稳健运动员智能的强化学习：来自第二届'AI 奥林匹克与 RealAIGym' 比赛的经验教训
机器人学
2025-03-20 v1
摘要
在机器人领域，开发了各种各样的方法，从经典规划、最优控制到强化学习（RL），以实现多样化任务中可靠的控制。为了清晰地理解它们各自的优势和弱点以及在实际机器人场景中的适用性，就需要在仿真之外也在真实硬件上对其性能进行基准测试和比较。'第二届 AI 奥林匹克与 RealAIGym' 比赛于 IROS 2024 大会上举办，旨在贡献此目的并评估不同控制器在具有混沌动力学的单摆系统上的动态控制问题的解决能力。本文描述了参赛团队提交的四种不同 RL 方法，呈现了它们在实际单摆的摆起任务中的性能，衡量标准包括 various criteria，并讨论了它们从仿真到真实硬件的可迁移性以及对外部扰动的鲁棒性。
引用
@article{arxiv.2503.15290,
title = {Reinforcement Learning for Robust Athletic Intelligence: Lessons from the 2nd 'AI Olympics with RealAIGym' Competition},
author = {Felix Wiebe and Niccolò Turcato and Alberto Dalla Libera and Jean Seong Bjorn Choe and Bumkyu Choi and Tim Lukas Faust and Habib Maraqten and Erfan Aghadavoodi and Marco Cali and Alberto Sinigaglia and Giulio Giacomuzzo and Diego Romeres and Jong-kook Kim and Gian Antonio Susto and Shubham Vyas and Dennis Mronga and Boris Belousov and Jan Peters and Frank Kirchner and Shivesh Kumar},
journal= {arXiv preprint arXiv:2503.15290},
year = {2025}
}
备注
8 pages, 7 figures