在机械臂的应用上，深度强化学习和模仿学习最近10年内哪个发展前景好？

如果从应用广度和深度来看，其实是深度强化学习（DRL）；

但未来极限二选一，选DRL+IL（模仿学习）混合模式。

从两者的策略思路来看，

DRL的学习方式是，看攻略自学，从试错中找到最优策略。

工作场景中，机械臂抓各种形状的物体、开门、以及组装零件，DRL能从大量尝试里总结规律。

IL属于学徒偷师，直接模仿老专家的示范动作。

两者的核心优势是，

DRL自主性强，能发现人没想到的新策略，适应未知环境能力强；

IL入门快，数据效率高，上手新任务贼6。

短板也明显，

DRL数据效率低，训练耗时耗力；策略可能复杂不直观；训练的时候可能需要机械臂重复上万次操作，成本高还容易坏硬件。

IL性能很难超越老师傅的示范水平，天花板整个横住了；没见过即干不了，泛化emmm

运用的现状，

DRL思路，目前也可以上仿真迁移至物理现实（Sim2Real，又名域随机化），又或者用模仿专家的操作搭建行动框架再让DRL精调，数据需求降低。

Sim2Real在多机器人任务中的基准测试，参考ing~

Online vs. Offline Adaptive Domain Randomization Benchmark

摘要：为离线和在线方法（SimOpt、BayRn、DROID、DROPO）提出了一个公开基准，以探究它们在多种设置和任务中的当前局限性。结果发现，在线方法受限于下一次迭代时当前学到的策略质量，而离线方法在仿真中使用开环指令重放轨迹时有时可能失败。</