本文介绍一种基于深度Q函数算法的深度强化学习方法，能够实现在真实的物理机器人上进行复杂的3D操作任务学习，并通过多个机器人异步汇聚优化策略更新等技术进一步提高训练效率。

Oct, 2016

介绍了Reinforcement Learning在实际场景应用中的九个挑战及相应的方法和评估指标，并给出了一个示例领域用于实际RL研究的测试平台。

Apr, 2019

本文针对强化学习在实际问题中难以部署的问题，提出了一系列的挑战，并通过Markov决策过程定义这些挑战并分析其影响，同时探讨了一些现有的解决方法。为了验证算法的可部署性，我们提出并开源了realworldrl-suite套件作为一个基准测试集。

Mar, 2020

本文评估了深度强化学习在现实世界机器人中的应用，包括学习知觉和运动等复杂技能的案例研究以及相关挑战。

Feb, 2021

通过与基于传统工程方法的专业工业集成器的比较，研究表明基于深度强化学习的工业装配方法不仅可以超越已有的工业装配方法，还能超越人类运动系统，并且数据说明还有巨大的优化空间。

Mar, 2021

为了克服弱数据效率、泛化能力有限、安全保障缺失、解释性差等因素导致强化学习在实际应用中面临的挑战，该论文提出了一种集成结构信息的方法来提高RL算法的性能和效率，并将结构信息的不同模式进行了分类，并提供了设计模式方面的新视角。

Jun, 2023

本文介绍了R^3，一种用于管理实时设备上DRL训练中的时间、内存和算法性能的整体解决方案。R^3通过使用动态批处理大小和高效内存管理来优化时间，通过启发式分析和动态调整内存资源预留的运行时协调器，协同解决设备上DRL训练中的权衡问题，并实现了在不同平台上实时应用的一致延迟性能和时间可预测性。

Aug, 2023

通过利用大型语言模型的及时反馈，Lafite-RL（语言代理反馈互动式强化学习）框架使强化学习智能体能够有效地学习机器人任务，实验结果表明，Lafite-RL 智能体在自然语言的简单提示设计下，通过大型语言模型的引导在学习效率和成功率方面优于基准模型，凸显了大型语言模型所提供的奖励的功效。

Nov, 2023

我们开发了一种精心实现的库，其中包含一种样本高效的离线深度强化学习方法，以及用于计算奖励和重置环境的方法，一个广泛采用的机器人的高质量控制器，和几个具有挑战性的示例任务。我们希望这些有希望的结果和我们的高质量开源实现将为机器人学界提供一个工具，以促进机器人强化学习的进一步发展。

Jan, 2024

本研究聚焦于强化学习（RL）这一人工智能领域，通过介绍其核心概念和方法，填补了学习资源不足的空白。论文提出了一种系统化的学习路径，帮助初学者理解状态、动作、策略和奖励信号等关键组件，进而掌握各种RL算法的应用。其重要发现是为初学者提供了清晰且易于理解的强化学习入门，促进该领域的学习与实现。

Aug, 2024