原文关键章节已核对
以下分析来自论文原文，保留实验条件与结果适用范围。
9 页 PDF · 1.5 MB归档日期 2026-10-04已核对方法、实验、结果与局限
从官方来源获取原文原文依据范围
3 · 4.1–4.3 · 5 · 6 · Algorithm 1; Figs 2–5
原文来源与版本用于研究核对。公开可获取不等于允许全文转载；本站提供中文分析和官方原文链接。
方法机制
2013版GPS先用微分动态规划DDP找到随机反馈轨迹分布，从中采样初始化神经网络策略，再把这些引导样本和策略自身经验放进正则化重要性采样目标。优化和采样交替进行，必要时适应引导分布，使高回报局部解推动更通用策略搜索。
实验设置与硬件
MuJoCo平面游泳、单腿跳、行走及三维人形跑步，输入关节角/速度，输出关节力矩，带电机噪声。比较无正则、只预训练不用后续引导、重启分布、普通策略梯度和模仿DDP的DAgger；有50隐单元、500步时域等受控配置。
结果及统计口径
完整方法学得多个步态并达到初始引导轨迹回报，正则项与搜索期间持续引导均重要；只利用起始样本可能陷入坏局部解。适应指导分布帮助融合多个初始示范并改善策略，展示优化与学习结合的可行性。
局限与风险
依赖可用可微或可数值求导的动力学、奖励和有效DDP初值；重要性权重仍可能高方差，复杂策略目标非凸。仅状态输入仿真控制，没有本篇视觉端到端PR2或真实机器人结果。
复现建议
先复现低维游泳/跳跃的DDP引导采样及LBFGS正则目标，检查概率密度和融合采样分布，记录真实交互样本数。保留本文版本边界，不用后续GPS的局部线性学习动态、BADMM或视觉策略流程替代。
实验标签与机器人
- 验证范围
- 仅仿真
- 机器人型号
- 未核实
代码与训练
代码待核实 · 本次未核实2013原始实验的官方代码包。
模型辅助轨迹优化产生引导样本，再迭代优化参数化策略。