强化学习

她表示，强化学习是模型自我提升路径中可扩展性较强的方向之一。

例如，完全不同的架构、优化方法、神经形态硬件、模拟计算，或者基于强化学习预训练、显式世界模型的新路线。

出厂预装了7种行为策略，每一种都是经过强化学习训练的独立动作模型。

Microduck的软件栈以Apache2.0协议完全开源，包括SDK、MuJoCo仿真环境和完整的强化学习训练管线。

另一方面也进入强化学习缓冲区，帮助critic学习这些更有价值的状态—噪声组合。

在模型自主执行时，系统记录状态、noiseactor采样的噪声、奖励与下一状态，并将它们放入强化学习缓冲区。

一方面，通过面向场景的强化学习（Scene-targetedReinforcementLearning）优化人体运动，使其既物理可行，又能与当前场景稳定交互；

为此，HSImul3R提出面向场景的强化学习（Scene-targetedReinforcementLearning），在运动跟踪基础上进一步加入场景交互约束。

去除面向场景的强化学习，仿真中出现非预期的物体位移，且难以稳定交互