Model-Free Methods Combined with Reinforcement Learning for Robots

本文研究了无模型方法与强化学习结合在机器人中的应用。无模型方法通过直接学习策略避免了模型误差，结合强化学习的试错学习能力，可以在复杂动力学和稀疏奖励场景下取得良好效果。文章比较了不同无模型RL算法（策略梯度、演员-评论家、Q学习、PPO）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无模型RL的效果。来源机构包括UC Berkeley、DeepMind、CMU等研究机构。