机器人学习是具身智能领域中一项重要的研究课题。基于模型的强化学习（Model-based RL）是智能体在对周围环境进行建模的基础上进行各类操作学习，相较于无模型的强化学习（Model-Free RL）被认为在样本效率方面具有显著优势。然而，如何更高效、精准、自动化地从原始传感器信号（例如图像信息）中建立对周边环境的建模，并基于此学习操作技巧一直以来都是一个具有挑战性的问题。

针对当前基于模型的强化学习所面临的困境，上海交大卢策吾老师团队提出一种可以主动提高感知质量、基于模型的机器人强化学习系统SAM-RL。

SAM-RL可以对周围环境进行建模并在操作过程中对模型进行更新（Real2Sim），在模型中学习各类操作机器（Learn@Sim）；并将学习到的技巧迁移到现实中去（Sim2Real）。为了更精准的对环境进行建模，SAM-RL系统还可以使用机械臂控制相机，主动地选择信息更为丰富的相机视角。我们在虚拟与真实环境中的三个不同任务上应用了SAM-RL，展示出了不错的样本效率与性能。

与SAM-RL相关的论文成果收录于RSS 2023顶会上，并被提名为Best System Paper，是国内论文在该会议中首次获得提名。

1月30日19点，智猩猩邀请到论文一作、上海交通大学MVIG实验室在读博士吕峻参与「AI新青年讲座」233讲，主讲《基于模型的主动感知机器人强化学习系统》。