ترجمه فارسی مقاله یادگیری تقویتی عمیق برای رباتیک: مروری بر موفقیت‌های دنیای واقعی

چکیده

Reinforcement learning (RL), particularly its combination with deep neural networks referred to as deep RL (DRL), has shown tremendous promise across a wide range of applications, suggesting its potential for enabling the development of sophisticated robotic behaviors. Robotics problems, however, pose fundamental difficulties for the application of RL, stemming from the complexity and cost of interacting with the physical world. This article provides a modern survey of DRL for robotics, with a particular focus on evaluating the real-world successes achieved with DRL in realizing several key robotic competencies. Our analysis aims to identify the key factors underlying those exciting successes, reveal underexplored areas, and provide an overall characterization of the status of DRL in robotics. We highlight several important avenues for future work, emphasizing the need for stable and sample-efficient real-world RL paradigms, holistic approaches for discovering and integrating various competencies to tackle complex long-horizon, open-world tasks, and principled development and evaluation procedures. This survey is designed to offer insights for both RL practitioners and roboticists toward harnessing RL’s power to create generally capable real-world robotic systems.

چکیده به فارسی (ترجمه ماشینی)

یادگیری تقویت کننده (RL) ، به ویژه ترکیب آن با شبکه های عصبی عمیق که به آن به عنوان RL عمیق (DRL) گفته می شود ، در طیف گسترده ای از برنامه ها قول فوق العاده ای نشان داده است ، و این نشان می دهد که پتانسیل آن برای امکان توسعه رفتارهای پیشرفته روباتیک است.با این حال ، مشکلات روباتیک مشکلات اساسی برای استفاده از RL ، ناشی از پیچیدگی و هزینه تعامل با دنیای فیزیکی است.این مقاله یک بررسی مدرن از DRL برای روباتیک ، با تمرکز ویژه بر ارزیابی موفقیت های دنیای واقعی که با DRL در تحقق چندین شایستگی مهم روباتیک حاصل می شود ، ارائه می دهد.تجزیه و تحلیل ما با هدف شناسایی عوامل کلیدی اساسی در موفقیت های هیجان انگیز ، آشکار کردن مناطق نامشخص و ارائه خصوصیات کلی از وضعیت DRL در روباتیک است.ما چندین راه مهم برای کارهای آینده را برجسته می کنیم ، با تأکید بر نیاز به پارادایم های RL در دنیای واقعی پایدار و کارآمد ، رویکردهای جامع برای کشف و ادغام صلاحیت های مختلف برای مقابله با افکار طولانی ، وظایف دنیای باز و رویه های توسعه و ارزیابی اصولبشراین نظرسنجی به گونه ای طراحی شده است که بینش هایی را برای پزشکان RL و روباتیک در جهت استفاده از قدرت RL برای ایجاد سیستم های روباتیک به طور کلی در دنیای واقعی فراهم می کند.