연구논문
Recovery RL · 작업·복구 정책 분리
오프라인 제약 위반 데이터로 복구 메커니즘을 학습하여 작업 정책에 개입하도록 합니다. 평가는 여섯 시뮬레이션 작업과 실제 로봇의 영상 기반 장애물 회피를 포함합니다.
검토 기준일 2026-11-05 · 원출처·서지정보 확인
원출처의 서지정보와 자료 개요를 확인했습니다. 원문 접근 조건과 판본은 출처에 표시되어 있습니다.
- 원문 제목
- Recovery RL: Safe Reinforcement Learning With Learned Recovery Zones
- 발행처
- Institute of Electrical and Electronics Engineers (IEEE)
- 저자
- Brijen Thananjeyan, Ashwin Balakrishna, Suraj Nair, Michael Luo, Krishnan Srinivasan, Minho Hwang, Joseph E. Gonzalez, Julian Ibarz, Chelsea Finn, Ken Goldberg
- DOI
- 10.1109/lra.2021.3070252
- 최초 온라인 발행일
- 2021-03-31
- 원문 언어
- en
- 원출처 국가
- US
- 판본
- IEEE Robotics and Automation Letters
- 접근 조건
- 발행처 정보 및 공개 저자 원고
- 출판 상태
- 발행된 자료
자료 개요
오프라인 제약 위반 데이터로 복구 메커니즘을 학습하여 작업 정책에 개입하도록 합니다. 평가는 여섯 시뮬레이션 작업과 실제 로봇의 영상 기반 장애물 회피를 포함합니다.
이용 및 검토
경험적 작업·제약 결과는 무상해 보장이 아닙니다. 데이터 범위, 복구 신뢰성, 감지 및 실행 한계를 적용별로 검증해야 합니다.
출처와 판본
Recovery RL: Safe Reinforcement Learning With Learned Recovery Zones ↗
Institute of Electrical and Electronics Engineers (IEEE) · IEEE Robotics and Automation Letters
Archiveabstract/authors and IEEEprimaryindexedabstract checked; IEEE states firstpublication2021-03-31, July2021issue. Empirical reductions in constraintviolations are not zero-risk guarantees.