用于机器人深度学习的可微分物理引擎
神经与进化计算
2018-11-27 v2 人工智能
机器人学
摘要
机器人学中的一个重要领域是控制器的优化。当前，在此优化过程中机器人常被视为黑箱，这正是无导数优化方法（如进化算法或强化学习）无处不在的原因。当使用基于梯度的方法时，模型保持小规模或依赖雅可比矩阵的有限差分近似。随着参数数量增加（如深度学习中那样），该方法很快变得昂贵。我们提出实现一个可针对控制参数求导的现代物理引擎。该引擎在 CPU 和 GPU 上均有实现。首先，本文展示了此类引擎如何加速优化过程，即便对于小规模问题亦然。此外，它解释了为何这是将深度学习用于机器人学时，替代深度 Q 学习（deep Q-learning）的一种方法。最后，我们认为这是机器人深度学习的重大进展，因为它为在硬件和软件上优化机器人开辟了新可能。
引用
@article{arxiv.1611.01652,
title = {A Differentiable Physics Engine for Deep Learning in Robotics},
author = {Jonas Degrave and Michiel Hermans and Joni Dambre and Francis wyffels},
journal= {arXiv preprint arXiv:1611.01652},
year = {2018}
}
备注
Submitted for International Conference on Learning Representations 2017