生成式人工智能与强化学习在机器人学中的二元性：综述
机器人学
2025-12-04 v2 机器学习
摘要
近年来，生成式人工智能和强化学习（RL）正在重新定义以信息流为输入并产生智能行为的人工智能代理的可能性。因此，我们在具身人工智能和机器人学中看到了控制策略生成的类似进展。我们的综述论文考察了生成式AI模型与RL的集成以推进机器人学。我们主要关注生成式AI与RL在机器人下游任务中的二元性。具体来说，我们研究了：（1）突出的生成式AI工具作为RL任务中多模态输入融合的模块化先验的作用。（2）RL如何训练、微调和蒸馏用于策略生成的生成式模型，例如VLA模型，类似于RL在大语言模型中的应用。然后，我们基于大量精选论文提出了一种新的分类法。最后，我们指出了考虑模型可扩展性、适应性和基础化的开放挑战，并对未来的研究方向提出了建议和见解。我们反思了哪些生成式AI模型最适合RL任务及其原因。另一方面，我们反思了RL增强的生成式策略固有的重要问题，例如安全问题和故障模式，以及当前方法的局限性。我们维护了一个精选的相关研究论文集合在我们的GitHub仓库中，作为该领域正在进行的研究和开发的资源：https://github.com/clmoro/Robotics-RL-FMs-Integration。
引用
@article{arxiv.2410.16411,
title = {The Duality of Generative AI and Reinforcement Learning in Robotics: A Review},
author = {Angelo Moroncelli and Vishal Soni and Marco Forgione and Dario Piga and Blerina Spahiu and Loris Roveda},
journal= {arXiv preprint arXiv:2410.16411},
year = {2025}
}
备注
Submitted for publication to Information Fusion