文章预览
来源：专知 本文 为论文介绍 ，建议阅读 5 分钟 本论文展示了如何可能提高样本效率和实现安全学习，使RL在现实机器人任务中更具实用性 。 机器人系统传统上用于制造业中自动化重复任务，如焊接、喷漆和拾放操作 。尽管机器人研究取得了巨大进展，传统的装配技能仍然是一个挑战。在大多数情况下，复杂的装配技能仍然严重依赖工程师的专业知识。此外，这些技能在面对新任务或变化时容易失败，例如对象的形状或大小。随着客户对更大产品多样性的需求最近增加，这一点尤为重要。学习方法将在这种背景下变得突出，因为学习将负担从人类转移到机器人。与其试图获得周围环境的精确模型或编程控制器，机器人可以通过经验获取动力学模型或直接学习最优控制策略。 强化学习（Reinforcement Learning, RL）赋予机器人通过与周围环境互动自主找
………………………………
