研究论文
Recovery RL · 分离任务与恢复策略
方法利用离线约束违反数据学习恢复机制，必要时干预任务策略；评估结合六个仿真任务与实体机器人视觉避障。
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
- Recovery RL: Safe Reinforcement Learning With Learned Recovery Zones
- 发布机构
- Institute of Electrical and Electronics Engineers (IEEE)
- 作者
- 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
- 首次在线发表日期
- 2021-03-31
- 原文语言
- en
- 原始来源国家
- US
- 版本
- IEEE Robotics and Automation Letters
- 访问条件
- 发布方信息与开放作者稿
- 出版状态
- 已发布
资料概述
方法利用离线约束违反数据学习恢复机制，必要时干预任务策略；评估结合六个仿真任务与实体机器人视觉避障。
使用与审查
经验性任务／约束结果并非无伤害保证；数据覆盖、恢复可靠性、感知与执行限制仍需按应用确认。
来源与版本
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.