机器人强化学习简介
本文综述了机器学习在实现安全决策方面的最新进展,并重点介绍了控制理论和强化学习研究中使用的语言和框架。文章讨论了学习控制方法、强化学习方法和可正式证明学习控制策略安全性的方法,并强调了在近距离与人类操作时安全性至关重要。此外,作者还强调了未来机器人学习研究中需要解决的一些挑战,以及促进控制和强化学习方法公平比较的基于物理的基准测试。
Aug, 2021
本文是对强化学习领域的实际应用、机遇和挑战进行较为温和的讨论,涉及深度学习、机器学习和人工智能等多个方面,并且重点考虑了强化学习在产品与服务、游戏、推荐系统、机器人技术、交通、金融和经济、医疗保健、教育、组合优化、计算机系统、科学和工程等方面的应用。其中也讨论了强化学习面临的基础、表达、奖励、探索、模型、仿真、计划、基准测试、离线学习、元学习、可解释性、约束、软件开发和部署、商业化等多个挑战。最后,本文试图回答 “为什么强化学习在实践中并没有被广泛采用?” 和 “什么时候强化学习有用?” 两个问题。
Feb, 2022
本文研究了如何通过将传统反馈控制方法与强化学习相结合,解决包括接触力和摩擦力在内的现代制造业中的机器人控制问题,并通过培训代理来演示我们的方法,成功地执行现实世界的块装配任务。
Dec, 2018
本研究提出了一种基于强化学习的机器人学习系统,通过无需人工干预的自主学习,在真实世界环境下实现智能机器人的不断优化和提高。以灵巧操作为案例研究,探究了在无工具化监控和无手工奖励函数的情况下学习的挑战,并提出了简单、可扩展的解决方案,通过多次灵巧操作任务实验验证了该系统的高效性和优越性。
Apr, 2020
这篇论文旨在介绍模仿学习(IL)及其基本假设和方法,提供领域内最新进展和新兴研究的详细描述,讨论了解决模仿学习相关挑战的常见方法,并提出未来研究的潜在方向,全面指导机器人和人工智能领域中日益增长的模仿学习研究。
Sep, 2023
通过应用深度强化学习在工业 UR10e 机器人上的研究,我们发现近端策略优化比深度 Q 学习具有更好、更稳定的策略,而且使用更少的数据。
Aug, 2023
本文介绍了机器学习和强化学习在控制和规划自主系统行为方面的应用,同时强调在安全关键的环境下要特别注意算法的可靠性和安全性,为控制理论家们提供一个学习该领域的起点。
Jun, 2019