Deep Reinforcement Learning for Bipedal Locomotion: A Brief Survey

双足机器人因其在人工智能特别是深度强化学习（DRL）方面的潜在应用和进展而受到越来越多的全球关注。虽然DRL推动了双足运动的重大进展，但开发一个能够熟练执行各种任务的全面统一框架仍然是一个挑战。本调查系统地将现有的DRL框架按照端到端和分层控制方案进行分类、比较和总结。端到端框架根据其学习方法进行评估，而分层框架则被分解为利用基于学习的方法或传统的基于模型的方法的层。本调查对每种框架类型的组成、能力、优势和局限性进行了详细的分析。此外，我们确定了关键的研究空白并提出了未来的方向，旨在实现一个更加集成和高效的双足运动框架，具有潜在的广泛应用于日常生活。

本论文旨在系统地对现有的深度强化学习（DRL）框架进行分类、比较和总结，以实现更完整和统一的双足机器人运动控制方案。

本论文将现有的DRL框架分为端到端和分层控制两种类型，并分别评估它们的学习方法和层次结构。此外，本文还提出了未来的研究方向。

本文详细分析了每种框架类型的组成、能力、优势和局限性，并指出了关键的研究空白，提出了未来的研究方向。实验设计详尽，使用了多种数据集，但未开源代码。

最近的相关研究包括：“A Survey on Deep Reinforcement Learning for Robotics: Vision, Control, and Interaction”和“Deep Reinforcement Learning for Robotic Manipulation: A Survey”。