标签
本文从理论上识别并缓解了多轮对话强化学习中的上下文分布偏移，提出了校准交互式RL，该框架将交互式RL与模拟器对齐相结合，以减少模拟到真实的差距并实现最先进的性能。
本文研究在序贯决策问题中，规划者何时以及如何用真实实验补充预训练模拟器，提出Fisher-SEP以最小化目标策略值的后验方差。
本文介绍了域随机化实例集（DRIS），一种同时表示多个随机化实例的方法，以改善灵巧操作的仿真到现实迁移。该方法在具有平板末端执行器且要求无真实世界微调的反应性抓取任务上展示了零样本迁移。
OpenAI 开发了一个能够解魔方的机器人手，采用了一种名叫自动域随机化 (ADR) 的新技术，通过逐步提高模拟难度，使学到的行为能有效地从模拟环境迁移到真实世界。
OpenAI 提出了一种用于机器人学习的非对称演员-评论家方法，该方法利用模拟器中的完全状态可观性来训练在部分观察（RGBD 图像）上运行的策略，无需真实世界的训练数据即可实现有效的仿真到现实的转移。
OpenAI 研究人员演示了一种通过使用随机化的模拟器动力学来训练策略，从而弥合现实差距的方法。这使得完全在仿真环境中训练的机器人能够成功迁移到现实世界任务，如物体操作，无需进行物理训练。
OpenAI 演示了域随机化——在模拟训练数据中随机改变颜色、纹理、光照和相机设置——使深度学习模型能够有效地从模拟环境迁移到实际机器人垃圾邮件检测任务，无需从头开始重新训练。
# 通过学习深度逆动力学模型实现从仿真到真实世界的转移 来源: [https://openai.com/index/transfer-from-simulation-to-real-world-through-learning-deep-inverse-dynamics-model/](https://openai.com/index/transfer-from-simulation-to-real-world-through-learning-deep-inverse-dynamics-model/) ## 摘要 在仿真环境中开发控制策略通常比直接在真实世界中运行实验更加实际和安全。这适用于从强化学习中获得的策略