补充01参考资料

机器人学习教程​

本目录包含机器人学习相关的理论和实践指南，主要涵盖强化学习、模仿学习等机器人智能决策方法。​

目前已有的demo：多机器人搬运家具​

目录内容​

强化学习​

•

基础强化学习算法（待添加）​

•

深度强化学习应用（待添加）​

•

机器人强化学习环境搭建（待添加）​

模仿学习​

•

行为克隆（待添加）​

•

逆强化学习（待添加）​

•

人类示范数据采集（待添加）​

多模态学习​

•

视觉-触觉融合（待添加）​

•

语言引导的机器人学习（待添加）​

学习路径​

掌握机器学习基础知识（如监督学习、无监督学习）​

了解强化学习基本原理（如马尔可夫决策过程、策略梯度等）​

学习深度学习框架（如PyTorch、TensorFlow）​

实践机器人学习算法（从简单任务开始）​

探索前沿研究方向（如元学习、多智能体学习等）​

推荐工具和框架​

•

Python 3.8+​

•

PyTorch/TensorFlow​

•

Gym/MuJoCo​

•

RLlib/Stable Baselines​

•

机器人仿真环境（如我们的仿真系列实验）​

项目示例​

•

机器人抓取物体的强化学习​

•

机械臂轨迹的模仿学习​

•

多智能体协作任务学习​

•

语言指令引导的机器人操作​

参考资源​

•

《Reinforcement Learning: An Introduction》by Richard S. Sutton and Andrew G. Barto​

•

《Deep Learning》by Ian Goodfellow, Yoshua Bengio, and Aaron Courville​

•

OpenAI Spinning Up​

•

Berkeley Robot Learning Lab​

•

Stanford Vision and Learning Lab​