主要观点：良好的手眼协调对机器人系统至关重要，本文回顾利用视觉伺服和深度强化学习改善机器人控制的方法，比较两者并提出混合方法以获最佳控制性能。
关键信息：

• 机器人任务常需视觉感知与运动协调，经典视觉伺服法训练数据少精度高，强化学习法可全局泛化但需大量数据，两者可结合成混合法。
• 视觉伺服通过视觉输入控制机器人运动，利用雅各比矩阵调整位置，计算简化；强化学习通过训练神经网络从视觉输入生成动作策略，计算开销大。
• 关键创新有未校准视觉伺服、双延迟深度确定性策略梯度、混合方法（如残余强化学习和跳跃启动强化学习）。
• 实验测试表明视觉伺服训练数据少性能佳，强化学习泛化能力强但需大量数据，混合方法学习更快更全面。
• 混合方法在工业自动化、医疗保健、自动化服务等领域有潜在应用。
  重要细节：
• 视觉伺服的雅各比矩阵更新方法示例代码。
• 强化学习的政策神经网络结构示例代码。
• 混合方法在不同任务中的具体表现及优势。
• 实施混合方法面临的在现实世界的适应性、计算复杂性、数据效率等挑战。
• 未来研究方向包括在真实机器人上评估混合方法、创建更适应动态变化的模型、在更复杂任务中应用等。