概念policy distillation
策略蒸馏
将教师模型的行为迁移到学生模型的通用范式，通过最小化学生输出分布与教师输出分布之间的散度（如KL散度）实现
时间轴 (近 90 天)
10月26日
作者使用了 10 个并行游戏副本，经过约 11 小时的训练，针对多个专家策略进行蒸馏，最终得到一个表现优异的获胜策略。
待验证50%
10月26日
策略蒸馏是一种将多个专家策略的知识压缩到单一学生策略中的技术，通常通过最小化学生网络与专家输出的 KL 散度或交叉熵来实现。
待验证50%
10月16日
端点式策略蒸馏方法将教师模型RL训练前后log概率差值作为监督信号，施加在学生模型自己生成的轨迹上。
待验证50%
10月16日
在RL后训练场景下，教师模型的输出分布会随训练不断变化，蒸馏监督信号变为'教师策略的相对变化量'而非绝对输出。
待验证50%
10月13日
论文将学到的 manipulation policies 蒸馏成基于 RGB 的策略，并在真实硬件上完成了若干挑战性装配任务的 zero-shot transfer。
待验证50%
10月13日
策略蒸馏通常指用一个学生策略去模仿一个或多个教师策略的行为。
待验证50%
全部知识事实 (6)
待验证
作者使用了 10 个并行游戏副本，经过约 11 小时的训练，针对多个专家策略进行蒸馏，最终得到一个表现优异的获胜策略。
50%待验证策略蒸馏是一种将多个专家策略的知识压缩到单一学生策略中的技术，通常通过最小化学生网络与专家输出的 KL 散度或交叉熵来实现。
50%待验证端点式策略蒸馏方法将教师模型RL训练前后log概率差值作为监督信号，施加在学生模型自己生成的轨迹上。
50%待验证在RL后训练场景下，教师模型的输出分布会随训练不断变化，蒸馏监督信号变为'教师策略的相对变化量'而非绝对输出。
50%待验证论文将学到的 manipulation policies 蒸馏成基于 RGB 的策略，并在真实硬件上完成了若干挑战性装配任务的 zero-shot transfer。
50%待验证策略蒸馏通常指用一个学生策略去模仿一个或多个教师策略的行为。
50%