离线技能图（OSG）：一种使用离线强化学习技能进行学习和规划的框架
Offline Skill Graph (OSG): A Framework for Learning and Planning using Offline Reinforcement Learning Skills
AI总结：
本文提出离线技能图（OSG）框架，通过三个模块利用离线强化学习技能进行规划，使智能体从历史数据中泛化解决长时域任务，并在机器人手臂上验证其有效性。
摘要：
强化学习因其在竞技游戏中的成功而受到广泛关注。然而，其在日常应用（如工业、家庭、医疗保健等）中的采用仍然有限。在本文中，我们通过提出一种在离线技能上进行规划并在现实环境中解决复杂任务的框架来解决这一限制。我们的框架由三个模块组成，这些模块共同使智能体能够从先前收集的数据中学习，并对其进行泛化以解决长时域任务。我们通过在需要解决复杂任务的机器人手臂上测试我们的方法来展示我们的方法。
英文摘要：
Reinforcement Learning has received wide interest due to its success in competitive games. Yet, its adoption in everyday applications is limited (e.g. industrial, home, healthcare, etc.). In this paper, we address this limitation by presenting a framework for planning over offline skills and solving complex tasks in real-world environments. Our framework is comprised of three modules that together enable the agent to learn from previously collected data and generalize over it to solve long-horizon tasks. We demonstrate our approach by testing it on a robotic arm that is required to solve complex tasks.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
