基于选择性状态空间与有模型强化学习的机械臂操控方法

本发明提供一种基于选择性状态空间与有模型强化学习的机械臂操控方法，首先根据真实环境构建世界模型，世界模型处理第三人称视角下的高维视觉图像，提取图像特征并整合序列状态‑动作信息，机械臂模型再根据世界模型提取的特征信息进行决策与学习，能在较低的交互次数下最大化样本效率，仅利用较少的计算资源就可以让机械臂学习到物品抓取方法，能够提升有模型强化学习算法在不同任务场景中的泛用性，降低训练成本和在实际环境中的部署难度，提升计算效率。