Model-Based Methods Combined with Reinforcement Learning for Robots

本文研究了基于模型的方法与强化学习结合在机器人中的应用。基于模型的方法通过学习环境模型提升样本效率，结合强化学习的试错学习能力，可以在稀疏奖励和复杂动力学场景下取得更好效果。文章比较了不同结合方式（模型预测控制+RL、基于模型的策略梯度、世界模型+RL、Dyna风格方法）在机器人控制中的表现，分析了方法的样本效率和渐近性能，并在多种机器人任务上验证了基于模型与RL结合的效果。来源机构包括UC Berkeley、DeepMind、CMU等研究机构。