Обучение с подкреплением

Робот пробует действия, получает оценку и постепенно находит, что работает. Это основной метод для устойчивой ходьбы и бега шагающих роботов, потому что вручную невозможно прописать все коррекции, нужные для равновесия на неровной земле.

Нужно огромное число попыток, поэтому сначала обучают в симуляции (см. sim-to-real). Для покупателя это объясняет, почему современная робособака удерживается после толчка или скольжения и почему поведение может улучшаться с обновлениями.