Model-Based Reinforcement Learning for Robot Control

本文深入研究了基于模型的强化学习（Model-Based RL）在机器人控制中的应用。基于模型的RL通过学习环境动力学模型，利用模型进行规划和策略优化，相比无模型方法具有更高的样本效率。文章分析了不同基于模型的RL方法（Dyna、PETS、MBPO、Dreamer系列）在机器人操作和导航中的效果，提出了结合模型学习与无模型学习的混合方法，并在多种机器人任务上验证了方法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。