基于内在动机目标探索的机器人逆模型主动学习
机器学习
2013-01-23 v1 人工智能
计算机视觉与模式识别
神经与进化计算
机器人学
摘要
我们引入了自适应性目标生成-鲁棒智能自适应好奇心（SAGG-RIAC）架构，作为一种内在动机驱动的目标探索机制，允许在高维冗余机器人中主动学习逆模型。这使得机器人能够基于能力进步度量，在任务空间中主动采样新颖的参数化任务，每个任务触发低层目标导向的电机策略参数学习，以解决该任务。在学习和泛化方面，系统利用回归技术，根据先前学习的策略与任务参数之间的对应关系，推断出给定新颖参数化任务对应的电机策略参数。我们在三种不同的机器人设置中进行了高维连续感觉运动空间的实验：1）高度冗余机械臂的逆运动学学习，2）四足机器人利用运动基元学习全向运动，3）机械臂学习控制带有柔性线的钓鱼竿。我们表明：1）在冗余机器人中，任务空间中的探索比执行器空间中的探索快得多，用于学习逆模型；2）选择最大化能力进步的目标会产生发展轨迹，驱动机器人逐步专注于复杂度递增的任务，并且在统计上显著优于随机选择任务，也优于不同的标准主动运动咿呀学语方法；3）该架构允许机器人主动发现其任务空间中哪些部分可以学习到达，哪些部分不能。
引用
@article{arxiv.1301.4862,
title = {Active Learning of Inverse Models with Intrinsically Motivated Goal Exploration in Robots},
author = {Adrien Baranes and Pierre-Yves Oudeyer},
journal= {arXiv preprint arXiv:1301.4862},
year = {2013}
}