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

强化学习（RL），特别是与深度神经网络相结合的深度强化学习（DRL），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机器人行为的发展。然而，机器人问题对RL的应用提出了根本性的困难，这源于与物理世界的交互的复杂性和成本。本文提供了一份现代DRL在机器人领域的综述，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的成功。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，强调需要稳定且样本高效的真实世界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。本综述旨在为RL从业者和机器人学家提供洞见，以利用RL的力量创造一般能力的真实世界机器人系统。

DRL在机器人领域的应用面临着与物理世界交互的复杂性和成本等困难，本文旨在评估DRL在实现机器人关键能力方面的真实世界成功案例，以及为未来工作提供方向。

本文针对机器人问题提出了一种稳定、高效的实际RL范例，为解决复杂的长期、开放式任务提供了综合方法，并提出了原则性的开发和评估程序。

本文提供了DRL在机器人领域的现代调查，重点评估了DRL在实现几个关键机器人能力方面取得的真实世界成功案例，强调了稳定、高效的实际RL范例、综合方法和原则性的开发和评估程序的重要性。

近期的相关研究包括《A Survey of Deep Learning for Scientific Discovery》、《Deep Reinforcement Learning: An Overview》、《A Brief Survey of Deep Reinforcement Learning》等。