Deep Reinforcement Learning for Robotics: A Survey of Real-World Successes

强化学习（RL），尤其是其与深度神经网络相结合的深度强化学习（DRL），已经在广泛的应用中显示出巨大的潜力，表明其有可能实现复杂的机器人行为的发展。然而，机器人问题对于应用RL来说存在根本性的困难，这源于与物理世界进行交互的复杂性和成本。本文提供了一个现代化的DRL在机器人领域的调查，特别关注评估DRL在实现几个关键机器人能力方面取得的真实世界成功。我们的分析旨在确定这些令人兴奋的成功背后的关键因素，揭示未被充分开发的领域，并提供DRL在机器人领域的总体特征。我们强调了未来工作的几个重要方向，强调需要稳定和样本有效的真实世界RL范例，综合方法来发现和整合各种能力以应对复杂的长期、开放式任务，以及原则性的开发和评估程序。本调查旨在为RL从业者和机器人学家提供洞察，以利用RL的力量创建具有普遍能力的真实世界机器人系统。

深度强化学习在机器人领域的应用现状和挑战是什么？

本文针对机器人领域中深度强化学习的应用现状和挑战进行了综述，重点关注了DRL在实现机器人关键能力方面的成功案例，并提出了未来研究的重点和方向。

本文对DRL在机器人领域的应用现状进行了全面的综述和分析，着重关注了DRL在实现机器人关键能力方面的成功案例，提出了未来研究的重点和方向，为RL从业者和机器人学家提供了启示。

相关研究包括： 1. Lillicrap, T.P., Hunt, J.J., Pritzel, A., Heess, N., Erez, T., Tassa, Y., Silver, D. Continuous control with deep reinforcement learning. In ICML, 2016. 2. Schulman, J., Levine, S., Abbeel, P., Jordan, M.I., Moritz, P. Trust region policy optimization. In ICML, 2015. 3. Zhang, F., Le, Q.V. Natural policy gradient methods for reinforcement learning. In ICML, 2017.