基于原始输入图像解耦的状态表示学习加速杂波中视觉抓取的Actor-Critic深度强化学习
机器学习
2020-02-28 v1 机器学习
摘要
对于在杂乱环境中存在多种未见目标物体的机器人抓取任务，一些基于深度学习的方法直接使用视觉输入取得了最先进的结果。相比之下，actor-critic深度强化学习（RL）方法在抓取多样物体时通常表现很差，尤其是在从原始图像和稀疏奖励中学习时。为使这些RL技术可用于基于视觉的抓取任务，我们采用状态表示学习（SRL），先对关键信息编码以供后续RL使用。然而，典型的表示学习过程不适合提取用于学习抓取技能的相关信息，因为用于表示学习的视觉输入（机器人在杂波中尝试抓取目标物体）极其复杂。我们发现基于原始输入图像解耦的预处理是有效捕获紧凑表示的关键。这使得深度RL能够从高度变化和多样的视觉输入中学习机器人抓取技能。我们在逼真的模拟环境中以不同解耦程度证明了该方法的有效性。
引用
@article{arxiv.2002.11903,
title = {Acceleration of Actor-Critic Deep Reinforcement Learning for Visual Grasping in Clutter by State Representation Learning Based on Disentanglement of a Raw Input Image},
author = {Taewon Kim and Yeseong Park and Youngbin Park and Il Hong Suh},
journal= {arXiv preprint arXiv:2002.11903},
year = {2020}
}