用于摔跤的元学习

OpenAI Blog 论文
meta-learning reinforcement-learning adaptation multi-agent robotics-simulation

摘要

OpenAI 研究人员开发了元学习智能体，能够在多轮竞争性游戏中持续调整其策略，相比固定策略智能体展现出优异性能，并对环境和身体变化具有鲁棒性。

我们展示了在模拟机器人摔跤任务中，元学习智能体可以学会快速击败更强的非元学习智能体，同时证明元学习智能体能够适应物理故障。
查看原文
查看缓存全文

缓存时间: 2026/04/20 14:56

# 元学习在对抗中的应用 来源：https://openai.com/index/meta-learning-for-wrestling/ 为了测试我们的连续自适应方法，我们设计了 3 种类型的智能体——Ant（4条腿）、Bug（6条腿）和 Spider（8条腿）——并建立了一个多轮游戏，每个智能体与同一对手进行多场比赛，并在各轮之间调整其策略参数以更好地对抗对手的策略。在测试中，我们发现能够适应战术变化的智能体比策略固定的智能体竞争力强得多。在训练了一百多个智能体后，其中一些学会了固定策略，另一些学会了自适应，我们评估了每个智能体的适应度。 实时学习还可以让智能体应对自身身体的异常变化，比如适应自己的某些肢体随时间推移而逐渐失去功能。这表明我们可以使用这类技术来开发能够处理外部环境变化以及自身身体或内部状态变化的智能体。

相似文章

基于元多智能体强化学习的交互策略快速适应方法及其在自动驾驶中的应用

arXiv cs.AI

本文提出了一种元多智能体强化学习（meta-MARL）框架，将多智能体强化学习（MARL）问题建模为马尔可夫博弈，并定义了一种新的求解概念——元纳什均衡（meta-NE），并证明其与基于梯度博弈算法的驻点等价。实验表明，在自动驾驶任务中，该方法相比预训练的 MARL 基线方法能够实现更快的适应。

在测试时 AI4AI 中学习智能体框架设计的元技能

Hugging Face Daily Papers

本文提出了 Meta-Skill 方法，让一个冻结的 Builder 模型从 Target 的执行反馈中学习可复用的原则，从而为未见过的任务构建更优的智能体框架。该方法在 Harness-Bench 和 NewtonBench 上将性能提升了 8.95 个百分点，指出了一条通过学习构建更好的环境（而非修改模型权重）来实现系统级自我改进的路径。