Model-Based Policy for Robot Manipulation

本文深入研究了基于模型的策略在机器人操作中的应用。基于模型的策略通过学习操作环境的动力学模型来规划动作序列，在接触丰富的操作任务中显著提升了样本效率和任务成功率。文章分析了不同模型类型（确定性模型、概率模型、隐式模型、世界模型）在机器人操作中的效果，提出了模型预测控制和基于模型的策略梯度方法，并在多种操作任务上验证了基于模型策略在样本效率和渐近性能上的优势。来源机构包括Google Robotics、Stanford、MIT等。