感知与智能 · C6

强化学习

四足与人形的步态、灵巧手操作，越来越多用 RL 训出来。但它也是「演示很炸、落地很难」的典型。

要学什么

• MDP、奖励、策略梯度、PPO 的完整流程（能自己跑通一次）
• 仿真环境与并行采样：为什么 RL 需要成千上万个并行环境
• 域随机化：随机化哪些参数，随机化过头会怎样
• 评估方法：训练曲线好看不等于真机能用

四条路线需要多深

「精通」= 能从零推导 / 能手写实现 / 能判断别人的方案对不对；「用过」= 能调起来、能改参数；「知道」= 能听懂、能提问。

怎么算学会了

能独立训出一个能站立的策略并迁移到仿真中的不同地形，能解释奖励设计的陷阱，能说清 sim2real 的失败归因顺序。

常见错误

• 奖励里塞了「看起来合理」的项，策略学会了钻空子（原地打转拿分）
• 只在单一地形训练，换地面材质就废，还以为是硬件问题

前置

哪些岗位会考它