强化学习作为人工智能领域的新星,成功地解决了序列决策问题。它与机器人结合,有利于非结构化环境的操作任务。随着实际任务的复杂化,突破单个机器人能力的限制亟待解决,因此智能化的双机械臂的协作应运而生。本文以多智能体强化学习为算法框架,针对该领域探索以及数据利用等问题,以具备协作策略的双机械臂作为研究对象,旨在实现机器人合作以及自主抓夹的相关问题,并从算法优化的层面展开深入探讨。主要内容包括以下四个方面:（1）探讨了强化学习算法训练初期存在大量无效数据问题,提出了基于多智能体协作策略的事后经验回放技术（M-HER）。以虚拟目标替换经验池中随机数据,解决了稀疏奖励下的多目标问题,帮助机器人初期获取大量有效操作技巧,有利于策略更新。（2）研究了高维连续空间问题,提出了基于模仿学习的协作策略（RTLf D）。在驱动机器人自身探索的同时,利用少量专家数据引导,两者兼备不约束于专家数据,高效解决了多智能体从零开始学习的不足。针对实际收集专家数据存在的错误及不完美序列等问题,提出了裁决机制,以区分专家数据的优劣,获取稳定的策略。仿真测试验证了算法的有效性,表明了模仿协作和裁决机制能够帮助机器人形成高效的策略。（3）在模仿学习机制的强化学习框架下,提出了以生成对抗网络为奖励驱动的多智能体模仿学习算法。以同步策略作为机器人与环境互动的核心,稳定输出策略,并提出了具有两种子结构的好奇心模块,基于内部奖励驱使机器人探索更多新的状态与动作,在专家策略的基础上搜寻最优的策略。为防止过度探索,提出了参数共享、值截断、时间截止三种方法,以约束机器人探索范围和提升实际表现。（4）分析了机器人协作特性,搭建了仿真实验环境,定义了框架中观测与动作空间。开发了基于算法环境的接口,用于信息互动。探讨了从仿真模型到真实机器人之间的差异,利用区域随机化技术,获取了抗干扰的模型,并用于真实机器人操作。综上所述,本文以多智能强化学习为基本目标,从增加数据利用率、加快训练速度以及提升探索能力三个方面着手研究,高效训练机器人形成协作策略。