arXiv cs.RO 机器人学· Kai Ye, Yifan Jin, Qianhang Luo, Hongru Zhang, Jiedong Zhang, Shuyuan Hu, Song-Yuan Wu, Jihai Xu, Jie Zhao, Bo Zhao·· 2 小时前精选AI 评分57
Evo-RL：结合人工干预与优势引导经验选择的机器人迭代强化学习方法
Evo-RL: Iterative Robot Reinforcement Learning from Selective Experience
AI 导读
Evo-RL 提出一种迭代强化学习方法，将人工纠正与基于优势估计的经验选择相结合，用人工纠正和成功轨迹中正优势经验迭代优化策略。作者同时发布 RW-RL-Dataset，覆盖 4 种机器人本体、超过 1,000 小时数据；在真实高精度操作任务上，Evo-RL 的尝试成功率相比 RECAP 提升 30.46%，代码、模型检查点与数据集均已公开。
推荐理由
论文给出与 RECAP 的对比数据和公开数据集规模，可据此评估该方法在真实操作任务上的收益。
来源：arXiv cs.RO 机器人学 · arxiv.org