作者：Alexis Jacq, Manu Orsini, Gabriel Dulac-Arnold,等

简介：本文研究产生高熵行为的探索方法。给定一个特定的实施例，作者提出了一种新方法：C3PO，该方法学习能够实现任意位置和姿势的策略。这样的策略将允许更容易控制，并且可以作为下游任务的关键构建块重复使用。该方法有两个方面：首先，作者引入了一种新的探索算法，该算法针对均匀覆盖进行优化，能够发现一组可实现的状态，并研究其获得高覆盖率和难以发现状态的能力；其次，作者利用这组可实现的状态作为通用目标实现策略的训练数据，这是一种基于目标的 SAC 变量。最后，作者展示了展示了大量无监督训练对目标达成策略的影响，通过SOTA效果的基于姿势的Hopper、Walker、Halfcheetah、Humanoid和Ant实施例控制。

论文下载：https://arxiv.org/pdf/2211.03521.pdf

内容中包含的图片若涉及版权问题，请及时与我们联系删除