任务分解框架在PyBullet中测试机器人运动规划强化学习

Yuanzhi He等作者发表论文，提出在Truncated Quantile Critics（TQC）骨干上结合首层critic迁移与分阶段奖励重设计（RR）的任务分解框架，用于机器人运动规划强化学习。实验在PyBullet无遮挡与单遮挡环境中覆盖Push、Pick-and-Place和Slide，每种设置使用三个随机种子。 作者称迁移收益因路线而异：在带遮挡的Pick-and-Place中，迁移方法的均值低于从零训练。研究还将一条选定的仿真轨迹在Franka Emika FR3上以开环方式执行，作为可行性演示，并非实机自主闭环验证。 论文已被IEEE MSN 2026接收，上述结果均为仿真环境结论。

AI 根据报道生成 · 4 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。