学术前沿
Safe Reinforcement Learning for Robot Control: A Comprehensive Survey
本文全面综述了面向机器人控制的安全强化学习（Safe Reinforcement Learning）研究进展。安全强化学习在学习最优控制策略的同时严格满足安全约束，避免危险动作和不可逆后果，是机器人在人机协作、工业环境、自动驾驶等真实场景中安全部署的关键技术。文章系统分析了约束马尔可夫决策过程、约束策略优化（CPO、Lagrangian方法）、屏蔽与运行时安全干预、鲁棒与风险敏感RL等主流方法，以及安全探索、安全验证、可证明安全等关键技术，并讨论了安全RL在仿真到真实迁移中的挑战与未来方向。来源机构包括Google DeepMind、MIT、UC Berkeley等顶尖研究机构。
主体信息
本文全面综述了面向机器人控制的安全强化学习（Safe Reinforcement Learning）研究进展。安全强化学习在学习最优控制策略的同时严格满足安全约束，避免危险动作和不可逆后果，是机器人在人机协作、工业环境、自动驾驶等真实场景中安全部署的关键技术。文章系统分析了约束马尔可夫决策过程、约束策略优化（CPO、Lagrangian方法）、屏蔽与运行时安全干预、鲁棒与风险敏感RL等主流方法，以及安全探索、安全验证、可证明安全等关键技术，并讨论了安全RL在仿真到真实迁移中的挑战与未来方向。来源机构包括Google DeepMind、MIT、UC Berkeley等顶尖研究机构。