Contrastive Representation Learning for Robot Reinforcement Learning

本文深入研究了对比表示学习在机器人强化学习中的应用。对比表示学习通过最大化同一轨迹不同时刻表示的相似度、最小化不同轨迹表示的相似度，学习具有时序一致性和判别性的状态表示。文章比较了不同对比学习目标（CPC、SimCLR、MoCo）在机器人控制中的效果，提出了结合数据增强和负样本采样的方法，并分析了表示空间的几何性质对策略学习的影响。适用场景包括视觉机器人操作、灵巧操作等领域。来源机构包括MIT、CMU、DeepMind等研究机构。