arXiv · 机器人与计算机视觉· Kai Ye, Yifan Jin, Qianhang Luo, Hongru Zhang, Jiedong Zhang, Shuyuan Hu, Song-Yuan Wu, Jihai Xu, Jie Zhao, Bo Zhao·· 2026-10-12AI 评分75
Evo-RL:基于选择性经验的迭代机器人强化学习方法
Evo-RL: Iterative Robot Reinforcement Learning from Selective Experience
AI 导读
针对现有现实世界强化学习方法中经验价值参差不齐的问题,本文提出了 Evo-RL 方法,该方法结合人工修正与来自成功轨迹的优势引导经验选择来迭代优化策略。研究引入了 RW-RL-Dataset 数据集,涵盖超过 1000 小时的四种机器人本体数据。在真实世界的高精度操作任务上,Evo-RL 相比 RECAP 将尝试成功率提升了 30.46%。代码、模型检查点和数据集已公开。
来源:arXiv · 机器人与计算机视觉 · arxiv.org