Meta-Reinforcement Learning and Policy Adaptation for Robots

本文提出了一种面向机器人的元强化学习与策略适应方法。元强化学习通过在多个任务上训练，学习一个能够快速适应新任务的强化学习策略，结合了元学习的快速适应能力和强化学习的试错学习能力。文章分析了不同元强化学习方法（MAML-RL、PEARL、RL2、VariBAD）和策略适应策略（梯度适应、隐变量适应、上下文适应）对学习效率的影响，提出了结合元学习与领域自适应的方法，并在仿真和真实机器人上验证了效果。来源机构包括Google Research、MIT、Oxford等。