机器人导航任务的量子深度强化学习

经典的深度强化学习已被用于机器人行为;然而，这些技术有几个缺点，例如巨大的样本复杂性和有限的泛化能力。量子计算为自主机器人技术的进步开辟了道路。最近发表在arXiv.org上的一篇论文展示了量子深度强化学习在模拟机器人任务中的可行性。

研究人员使用参数化量子电路的混合训练方法。参数化的量子算法在混合量子经典设置中被优化为具有经典优化技术的函数逼近器。结果表明，通过使用近期量子计算机可以达到的参数，可以使用量子模拟器解决轮式机器人的三个模拟导航任务。

混合设置显示出与经典基础相当的性能，并且可以在更紧凑的模型中学习行为。

在这项工作中，我们利用量子深度强化学习作为一种方法来学习简单的轮式机器人在三个复杂度不断增加的模拟环境中的导航任务。与经典基线相比，我们展示了在混合量子经典设置中使用成熟的深度强化学习技术训练的参数化量子电路的类似性能。据我们所知，这是针对机器人行为的量子机器学习(QML)的首次演示。因此，我们将机器人技术确立为QML算法的可行研究领域，从而将量子计算和量子机器学习作为未来自主机器人技术进步的潜在技术。除此之外，

标签：