机器人操作仍然是机器人技术中最困难的挑战之一，其方法范围从基于经典模型的控制到现代模仿学习。尽管这 些方法已经取得了实质性进展，但它们通常需要大量的手动设计，在性能方面存在困难，并且需要大规模数据收 集。这些限制阻碍了它们在实际世界中的大规模部署，其中可靠性、速度和稳健性至关重要。 强化学习 （RL） 提供了一种强大的替代方案，它使机器人能够通过交互自主获得复杂的作技能 。然而，由于样品效率和安全性问 题，在现实世界中充分发挥 RL 的潜力仍然具有挑战性。 强化学习 （RL） 是一种很有前途的方法，可以自主获取复杂而灵巧的机器人技能。通过反复试验学习，原则 上，有效的 RL 方法应该能够获得针对部署任务的特定物理特征量身定制的高度熟练技能。这可能会带来不仅超 过手工设计控制器的性能，而且超越人类远程作的性能。然而，由于样本复杂性、假设（例如，准确的奖励函 数）和优化稳定性等问题，在现实环境中实现这一承诺一直具有挑战性。RL 方法对于模拟训练和现有大型真实世 界数据集的训练非常有效，目的是泛化 。它们还与手工设计的功能或表示一起使用，用于狭隘的定制任务。然 而，开发通用的、基于视觉的方法仍然具有挑战性，这些方法 ...