Model-Based Policies for Robotics: A Review

本文系统综述了机器人领域基于模型的策略（Model-Based Policies）的最新进展。基于模型的策略通过学习环境动力学模型来规划和控制动作，能够显著提升样本效率，是机器人强化学习的重要方向。文章分析了确定性模型、概率模型、隐式模型、世界模型等核心模型类型，以及基于模型的规划、模型预测控制、基于模型的策略梯度等方法，还讨论了模型误差、模型利用、模型不确定性等关键问题。适用场景包括机器人操作、移动机器人、自动驾驶等需要高样本效率的领域。来源机构包括Google DeepMind、UC Berkeley、MIT等顶尖研究机构。