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