Une enquête complète sur le transfert de politique interdomaines pour les agents incarnés

Les domaines en plein essor de l'apprentissage des robots et de l'IA incarnée ont suscité une demande croissante de grandes quantités de données. Cependant, la collecte de données suffisantes et non biaisées dans le domaine cible reste un défi en raison des processus de collecte de données coûteux et des exigences de sécurité strictes. En conséquence, les chercheurs ont souvent recours à des données provenant de domaines sources facilement accessibles, tels que les simulations et les environnements de laboratoire, pour une acquisition de données économique et une itération rapide des modèles. Néanmoins, les environnements et les incarnations de ces domaines sources peuvent être très différents de leurs homologues dans le domaine cible, soulignant la nécessité d'approches efficaces de transfert de politique interdomaines. Dans cet article, nous réalisons une revue systématique des méthodes de transfert de politique interdomaines existantes. Grâce à une catégorisation nuancée des écarts entre les domaines, nous encapsulons les idées générales et les considérations de conception de chaque cadre de problème. Nous fournissons également une discussion de haut niveau sur les principales méthodologies utilisées dans les problèmes de transfert de politique interdomaines. Enfin, nous résumons les défis ouverts qui dépassent les capacités des paradigmes actuels et discutons des orientations futures potentielles dans ce domaine.