機器人技術的基本問題既涉及離散變量（比如控制模式或齒輪切換的選擇），又涉及連續變量（比如速度設定點和控制增益）。通常來說，由于算法或控制策略并不總是適合的，因此這些問題很難解決。這就是為什么谷歌母公司Alphabet的DeepMind的研究人員最近提出了一種技術：連續-離散混合學習，即可以同時優化離散和連續動作，以其本來的形式處理混合問題。

在預印本服務器Arxiv.org上發表的一篇論文詳細介紹了他們的工作，這篇論文也在去年10月日本大阪的第三屆機器人學習會議上被人接受。作者寫道：“許多先進的方法都進行了優化，它們能很好處理離散的或是連續的動作空間，但是卻很少有方法能同時處理。能夠使用同一算法強大地處理離散和連續動作空間，使我們能夠針對任何給定問題都能選擇最自然的解決方案策略，而不是讓算法上的便利性來決定做出哪種選擇。”

團隊研發的無模型算法，是指利用強化學習或者獎勵實現目標的自主代理人的培訓技術，通過連續和離散動作空間來解決控制問題，并通過受控和自主切換來解決混合最優控制問題。此外，這種算法通過使用“元動作”或其他類似方案來擴大動作空間（分別定義了代理人可能感知和采取的狀態和動作的范圍），從而為解決現有的機器人問題提供了新穎的解決方案，并使策略可以解決類似人工智能訓練期間的機械磨損等挑戰 。

研究人員在一系列模擬和現實基準測試中驗證了他們的方法，包括Rethink Robotics公司的Sawyer機器人手臂。據稱，基于給定的到達、抓取和拿起魔方的任務，其中獎勵是三個子任務的總和，因此他們的算法要優于無法解決任務的現有方法。

那是因為到達魔方需要代理人打開手臂的抓具，而抓取方塊需要關閉抓具。作者寫道：“一開始，基線將大部分概率集中在較小的動作值上，因此很難移動抓具的手指來看到任何獎勵，從而解釋了學習曲線上的平穩期。另一方面，這個算法能始終以全速操作抓具，因此改進了探查性，使機器人可以完全完成任務。”

在一個單獨的實驗中，團隊將其算法設置為參數化動作空間馬爾可夫決策過程（PAMDP）或一個分層問題，其中，代理人首先選擇離散動作，然后為該動作選擇一組連續的參數集。在這種情況下，代理人的任務是操縱機器人手臂，以便將釘子插入孔中，然后根據孔的位置和運動學來計算獎勵。

研究人員表示，他們的方法比精細方法和粗略方法獲得了更大的回報，并且這種算法將來可以作為基礎應用到更多的混合強化學習中。論文中寫道：“對于專業設計師而言，事先選擇合適的模式可能很困難。而我們的方法是很有用的，因為它只需要一個實驗，而別的方法都需要通過消融來進行驗證。”