Sample-Efficient Learning to Solve a Real-World Labyrinth Game Using Data-Augmented Model-Based Reinforcement Learning

本文旨在挑战在物理环境中实现快速学习的难题，介绍了一个机器人系统的开发和训练，该系统使用基于模型的强化学习技术来导航和解决迷宫游戏。该方法利用摄像头图像提取低维度观测数据，以及一个以当前位置为中心的裁剪和矫正的图像补丁，提供了有关迷宫布局的有价值的信息。控制策略的学习完全基于物理系统进行模型驱动的强化学习，其中沿着迷宫路径的进展作为奖励信号。此外，我们利用系统固有的对称性来增强训练数据。因此，我们的方法学会了在记录时间内成功解决一个流行的现实迷宫游戏，仅使用了5小时的真实世界训练数据。

解决问题：这篇论文旨在通过模型基础强化学习技术开发和训练机器人系统，以解决迷宫游戏的挑战。

关键思路：通过从摄像头图像中提取低维观察结果和裁剪矫正的图像补丁，学习控制策略，利用系统的对称性来增强训练数据，成功地在5小时内训练机器人系统，解决了现实世界中一个受欢迎的迷宫游戏。

其他亮点：该方法在物理环境中实现快速学习，实验设计合理，使用了开源数据集和代码，值得进一步研究。

相关研究：最近的相关研究包括“Deep Reinforcement Learning for Vision-Based Robotic Grasping: A Simulated Comparative Evaluation”和“Learning Dexterous In-Hand Manipulation”。