[Model-based]基于模型的强化学习论文合集

最新推荐文章于 2025-12-17 20:55:29 发布
原创 最新推荐文章于 2025-12-17 20:55:29 发布 · 780 阅读 · 8 ·
本内容遵循CC 4.0 BY-SA版权协议
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
标签
#强化学习 #前沿论文
组里讨论强化学习研究方向前，对各子方向论文进行了粗略梳理，包括model-free、model-based等方向。此系列文章整理所看论文，提供文献网盘下载链接，后续各方向相关论文会持续更新，相关论文链接放在github上。

[Model-based]基于模型的强化学习论文合集

最近组里在讨论接下来在强化学习这块的研究方向，在讨论之前，我们把强化学习各个子方向的论文都粗略过了一下，涉及到model-free/model-based/multi-agent/deep exploration/meta-learning/imitation learning/application/distributed training等方向。这个系列的文章主要是把我看的论文给整理一遍，方便别的同学参考。文中提到的文献会提供网盘的下载链接，后续的每个方向的相关论文我们也会持续跟进并更新到文章中。

相关论文连接放在了github（点我）上，方便后续更新。
在这里插入图片描述

受限于版面显示，图片显示有点模糊，可以点开图片看更高清的。

在这里插入图片描述

（15-1）基于模型的强化学习：Model-based RL基础
码农三叔
04-10 2032
基于模型的强化学习（Model-based Reinforcement Learning）是强化学习的一个分支，其核心思想是代理（agent）试图构建和使用一个模型来描述环境（environment）的动态特性，然后利用这个模型来制定和优化决策策略，以最大化累积奖励。在本章的内容中，将详细讲解基于模型的强化学习的知识，为读者步入后面知识的学习打下基础。
7. 强化学习之——基于模型的强化学习
June
06-16 8345
课程大纲 model-based RL 概要 model-based value optimization model-based policy optimization case study 基于模型的强化学习概要 之前学 model-free RL 的时候 （1）从经验中利用 policy gradient 直接学习 policy （2）利用 MC 或者 TD 学习 value function 本次课将会讲到 model-based RL【在讲 MDP 时有提到，有model 时就.
基于模型的强化学习
Mrsgflmx的博客
09-30 2188
（1）在model-based RL里，虽然学习MDP模型可以提高强化学习的效率，但是如果模型误差较大可能导致学不到较好的策略，这个问题一般怎么解决？ 如果模型学习的不够精准，那就只能用很短很短的rollout来做planning。例如Q-planning就是1步的rollout，这样并不能特别高的提升sample efficiency。 如果模型比较准，那就可以用Model-based Policy Optimization (MBPO)这种方法去做一定长度(k-step)的rollout，这样能进一..
初探强化学习(7)基于模型的强化学习的应用综述
qq_33328642的博客
03-20 7694
本文是直接翻译一篇文章的，我先把原文地址放在这里。 原文名字为：Survey of Model-Based Reinforcement Learning: Applications on Robotics 这是一个2017年的论文 1. Introduction 强化学习（Regulation Learning，RL）是人工智能领域的一个重要方面，有着从金融到机器人等众多应用，并提出了大量的方法。机器人技术对于RL来说是一个非常具有挑战性的应用，因为它涉及机械系统与其环境之间的交互。这种相互作用会对机械系统
Model-Based Reinforcement Learning（基于模型的强化学习）详解-ChatGPT4o作答
qq_46215223的博客
01-04 2188
Model-Based RL 是一种高效的强化学习方法，能够通过学习环境模型显著减少与真实环境交互的次数，同时为策略的优化提供强有力的支持。尽管它在模型误差、高维空间等方面存在挑战，但随着深度学习和概率建模技术的进步，Model-Based RL 正逐步应用于更加复杂和动态的场景，如机器人控制、医疗诊断、自动驾驶等。结合 Model-Free 方法的混合策略（如 Dyna-Q、MuZero）也展示了 Model-Based RL 的强大潜力和未来发展方向。的理论、方法、应用及其优缺点。
基于模型与不基于模型的深度增强学习_[Model-based]基于模型的强化学习论文合集...
weixin_39564386的博客
11-22 311
最近组里在讨论接下来在强化学习这块的研究方向，在讨论之前，我们把强化学习各个子方向的论文都粗略过了一下，涉及到model-free/model-based/multi-agent/deep exploration/meta-learning/imitation learning/application/distributed training等方向。我想着当时查找阅读相关文章花费了不少精力，决定开...
强化学习各概念整理（value/policy-based、on/off-policy、model-based/free、offline）
lucius-liu.cn
02-15 1379
前言 如果你对这篇文章可感兴趣，可以点击「【访客必读 - 指引页】一文囊括主页内所有高质量博客」，查看完整博客分类与对应链接。 value-based & policy-based value-based： 通过建模训练 Q(s, a)，测试时基于 s 选取使 Q 值最大的 a 典型算法：Sarsa、Q-learning、DQN policy-based： 通过建模训练 p(s, a)，即基于 s 得到不同 a 的概率，测试时选取概率最大的 a 典型算法：policy-gradient 思想
强化学习论文推荐OpenAI
liuxin16610553410的博客
05-24 1335
【导读】OpenAI 在教学资源合集 Spinning Up中发布了强化学习中的关键论文，列举了强化学习不同领域的代表性文章来指导研究者的学习。此外Spinning Up 包含清晰的 RL 代码示例、习题、文档和教程可供参考。 Model-Free RL Exploration Transfer and Multitask RL Hierarchy Memory Model-Based RL Meta-RL Scaling RL RL in the Real World
强化学习的模型
热门推荐
weixin_53084505的博客
12-04 3万+
提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档 文章目录前言一、强化学习是什么？二、基本模型1.基本框架2.学习过程三.马尔科夫决策过程（Markov Decision Process. MDP）1.马尔科夫性质2.MDP的基本组成部分总结 前言 记录B站学习龙强老师强化学习相关视频后的总结笔记，视频链接：https://www.bilibili.com/video/BV1hq4y1n7aU?p=1 一、强化学习是什么？ 根据维基百科对强化学习的定义：Reinforcement le
基于模型的强化学习笔记
weixin_44466434的博客
07-05 3409
基于模型的强化学习
Reinforcement Learning强化学习系列之一：model-based learning
luchi007的专栏
09-03 1万+
前言在机器学习和深度学习坑里呆了有一些时日了，在阿里实习过程中，也感觉到了工业界和学术界的一些迥异，比如强化学习在工业界用的非常广泛，而自己之前没有怎么接触过强化学习的一些知识，所以感觉还是要好好的补一补更新一下自己的知识库，以免被AI时代抛弃。强化学习初识强化学习要素强化学习可以用下面这张图表示： 从上图可以看出，强化学习的要素是： 1. Agent（图中指大脑） 2. Environm
（10-1-01）基于模型的强化学习：基于模型和无模型介绍
码农三叔
07-14 1151
基于模型与无模型强化学习比较 摘要：基于模型的强化学习(MBRL)通过构建环境模型预测状态转移和奖励，在模型中进行规划模拟，减少真实环境交互次数，提高学习效率。其优势在于降低高成本场景的采样风险、加速策略学习、提高样本利用率及增强可解释性。无模型强化学习(MFRL)则直接与环境交互学习策略，无需建模，具有实现简单、适应性强和泛化能力好的特点。两类方法各具优势：MBRL适用于模型可构建且交互成本高的场景，MFRL更适合复杂多变环境。目前研究趋势是结合两者优势，如Dyna架构和想象回放等混合方法，通过虚拟经验生
【论文阅读】Model-Based Imitation Learning for Urban Driving
weixin_56507088的博客
08-17 2201
MILE：一种基于模型的模仿学习方法，用于共同学习世界模型和自动驾驶策略。该方法利用3D几何作为归纳偏差①，并直接从专家演示的高分辨率视频中学习高度紧凑的潜在空间；在离线的城市驾驶数据语料库上训练，与环境没有任何的在线交互。成果：当部署在一个全新的城镇和新的天气条件下时，MILE在CARLA模拟器上的驾驶分数比现有技术提高了31%。论文模型可以预测不同的和合理的状态和动作，并解码为鸟瞰图语义分割。①归纳偏差(Inductive bias)可以理解为一种，能够帮助我们在多个可能的模型中选择出一个。
强化学习的数学原理学习笔记 - 基于模型（Model-based）
Green Lv的博客
01-07 2268
强化学习的数学原理学习笔记：基于模型（Model-based）的强化学习方法，包括对值迭代和策略迭代算法的介绍。
【基于模型的强化学习】#1 引论：Dyna架构
最新发布
mojin2005的博客
12-17 1201
环境的（Model）是一个智能体可以用来预测环境对其动作的反应的任何事物。给定一个状态和一个动作，模型能产生后继状态和下一个收益的预测作为环境的反应结果。根据是否有模型参与，强化学习算法可分为（Model-Based RL，MBRL）和在【深度强化学习】和【分层强化学习】中，我们探讨的都是MFRL，它们将环境视为一个黑箱，智能体直接从与环境交互获得的经验数据中学习价值函数或策略，而不会尝试理解环境的内部运作机制。
PyTorch 深度学习实战（20）：基于模型的强化学习与 PETS 算法（Gymnasium 优化版）
m0_60414444的博客
03-21 1461
基于模型的强化学习（Model-Based RL）通过构建环境动态模型，在虚拟环境中进行轨迹规划和策略优化。算法实现了基于模型的强化学习，展示了其在连续控制任务中的高效性。希望本文能帮助您掌握基于模型的强化学习核心方法！：使用多个神经网络建模环境动态，捕捉不确定性。：通过交叉熵方法（CEM）生成最优动作序列。构建概率集成模型（5个独立神经网络）添加更复杂的环境模型（如 LSTM）：17 维向量（关节角度、速度等）：通过模型预测进行长序列决策。：在虚拟环境中测试高风险动作。：6 维连续向量（关节扭矩）
Model-Based RL-基于模型的强化学习-理论详解1：最优控制和规划问题（Optimal Control and Planning）/ CEM/MCTS/LQR
铁锹的填坑记录
07-09 4390
[TOC] 1. MB概念引出 1.1 概念 强化学习的目标就是希望agent做出的动作序列得到最多的累计奖励，假设我们知道两个状态之间的转换概率$p(s_{t+1}|s_t,a_t)$，那么我们的算法可以表示为： 上图中第一个式子是状态动作序列$\tau$的概率。优化agent训练的依据就是最大化序列奖励的数学期望。 Model-Based reinforcement learning就是学习动力学转换概率，然后算出如何去选择动作。 1.2 MB三个阶段 知道了动力学模型，如何做出好的决策，最优控制和
强化学习之五：基于模型的强化学习（Model-based RL）
MapleStory的博客
01-07 1万+
本文是对Arthur Juliani在Medium平台发布的强化学习系列教程的个人中文翻译，该翻译是基于个人分享知识的目的进行的，欢迎交流！（This article is my personal translation for the tutorial written and posted by Arthur Juliani on Medium.com. And my work is compl
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值