Safe Reinforcement Learning: A Survey
Safe Reinforcement Learning: A Survey（安全强化学习综述）是由安全强化学习领域研究者系统整理的经典综述论文，是机器人安全学习领域最重要的综述之一。该论文系统地回顾了安全强化学习技术的发展历程，包括约束马尔可夫决策过程（CMDP）、安全探索、安全策略优化、鲁棒强化学习、可验证强化学习、安全屏蔽等多种安全学习范式，以及基于模型的安全学习、基于屏蔽的安全学习、基于约束的安全学习等多种方法。该论文详细分析了安全强化学习的核心挑战，包括安全约束的形式化、安全探索与性能的权衡、分布外泛化、可验证性、实时性等，并讨论了安全强化学习在机器人、自动驾驶、工业控制、医疗等领域的应用。安全强化学习是使机器人在不确定环境中安全学习和决策的关键技术，能够保证机器人在学习和执行过程中不违反安全约束，避免危险行为，在人形机器人、自动驾驶、工业机器人、医疗机器人等安全关键领域具有广泛应用前景。该论文被引用超过2000次，是安全强化学习领域的入门必读文献，对后续的安全策略优化、安全探索、可验证学习等研究产生了深远影响，推动了安全强化学习从理论走向实际应用。
主体信息
Safe Reinforcement Learning: A Survey（安全强化学习综述）是由安全强化学习领域研究者系统整理的经典综述论文，是机器人安全学习领域最重要的综述之一。该论文系统地回顾了安全强化学习技术的发展历程，包括约束马尔可夫决策过程（CMDP）、安全探索、安全策略优化、鲁棒强化学习、可验证强化学习、安全屏蔽等多种安全学习范式，以及基于模型的安全学习、基于屏蔽的安全学习、基于约束的安全学习等多种方法。该论文详细分析了安全强化学习的核心挑战，包括安全约束的形式化、安全探索与性能的权衡、分布外泛化、可验证性、实时性等，并讨论了安全强化学习在机器人、自动驾驶、工业控制、医疗等领域的应用。安全强化学习是使机器人在不确定环境中安全学习和决策的关键技术，能够保证机器人在学习和执行过程中不违反安全约束，避免危险行为，在人形机器人、自动驾驶、工业机器人、医疗机器人等安全关键领域具有广泛应用前景。该论文被引用超过2000次，是安全强化学习领域的入门必读文献，对后续的安全策略优化、安全探索、可验证学习等研究产生了深远影响，推动了安全强化学习从理论走向实际应用。