SMM-AC 算法通过正则化增强 sim-to-real 迁移鲁棒性
热点事件持续更新
SMM-AC 算法通过正则化增强 sim-to-real 迁移鲁棒性
1 篇报道1 个报道来源5 小时前更新
先了解这件事
AI 综述
Danilo Vucetic 等人提出基于 soft mellowmax 的正则化 RL 算法 SMM-AC，旨在通过增强鲁棒性改善策略在真实机器人中的部署表现。 该算法在 MuJoCo 连续控制基准测试中，性能与 Soft Actor-Critic (SAC) 等基线相当。然而，在真实机器人环境中，面对观测、环境和动力学扰动时，SMM-AC 的回报率和鲁棒性均优于基线算法。
AI 根据报道生成 · 2 小时前更新
最新进展10月26日 12:00
正则化 RL 提升 sim-to-real 迁移性能报道时间线
沿着报道，了解事件的不同侧面。
10月26日
- arXiv · ML正则化 RL 提升 sim-to-real 迁移性能
研究提出基于 soft mellowmax 的正则化算法 SMM-AC，通过增强鲁棒性来改善策略在真实机器人中的部署表现。该算法在 MuJoCo 基准上性能与 Soft Actor-Critic (SAC) 相当，但在真实环境中，面对观测、环境和动力学扰动时，其回报和鲁棒性均优于基线。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。