模型梯度强化学习算法

样本效率高

通过统一模型与策略的学习目标，在提升样本效率的同时实现更优的收敛性能。

Chengxing, Jia · Fuxiang, Zhang · 许天 · Jing-Cheng, Pang · 章宗长 · Yang, Yu

Frontiers of Computer Science 2024

技术优势

目标一致

模型学习与策略学习共享最大化真实环境期望回报的目标，模型学习为策略梯度提供更有利的更新方向。

收敛更好

相比传统基于模型的强化学习方法，MG 在多个运动控制任务上取得更优的收敛性能。

样本效率高

由于模型学习直接服务于策略优化，MG 能用更少的环境交互学习到有效策略。

应用场景

• 机器人控制：提升机器人运动控制策略学习的样本效率，降低环境交互成本。
• 工业机器人策略学习：在工业机器人策略学习中加速收敛，缩短研发周期。
• 人形机器人运动控制：用于人形机器人运动学习，提高策略优化稳定性。
• 无人机自主导航：帮助无人机自主导航策略高效学习，适应复杂动态环境。