研究论文
SAVED · 用示范约束机器人的学习探索
SAVED 利用少量非最优示范和任务完成信号，引导基于模型的强化学习。作者在六项导航与操作仿真以及 da Vinci 机器人的打结任务中评估约束满足情况。
核查日期 2026-11-05 · 已核查来源与书目信息
书目信息与编辑概述已对照原始来源核查。访问条件与版本见来源说明。
- 原文标题
- Safety Augmented Value Estimation From Demonstrations (SAVED): Safe Deep Model-Based RL for Sparse Cost Robotic Tasks
- 发布机构
- Institute of Electrical and Electronics Engineers (IEEE)
- 作者
- Brijen Thananjeyan, Ashwin Balakrishna, Ugo Rosolia, Felix Li, Rowan McAllister, Joseph E. Gonzalez, Sergey Levine, Francesco Borrelli, Ken Goldberg
- DOI
- 10.1109/lra.2020.2976272
- 发布日期
- 2020-04
- 原文语言
- en
- 版本
- IEEE Robotics and Automation Letters; 2020; DOI 10.1109/lra.2020.2976272
- 访问条件
- 发布方信息与开放作者稿
- 出版状态
- 已发布
相关资料与工程解读
资料概述
SAVED 利用少量非最优示范和任务完成信号，引导基于模型的强化学习。作者在六项导航与操作仿真以及 da Vinci 机器人的打结任务中评估约束满足情况。
使用与审查
核查范围为注册书目信息与作者存档摘要。任务成功不等于临床安全或所有状态均满足约束，仍需审查示范、模型不确定性及概率约束。
来源与版本
Safety Augmented Value Estimation From Demonstrations (SAVED): Safe Deep Model-Based RL for Sparse Cost Robotic Tasks ↗
Institute of Electrical and Electronics Engineers (IEEE) · IEEE Robotics and Automation Letters; 2020; DOI 10.1109/lra.2020.2976272
IEEE RA-L bibliography; author archive abstract https://arxiv.org/abs/1905.13402v8. Journal date 2020-04 retained, distinct from archive posting.