推动家庭机器人发展：基于深度交互式强化学习的高效训练与性能提升
机器人学
2024-05-30 v1 机器学习
摘要
家庭机器人市场正在不断增长，这些机器人能够减轻人们的日常负担。与工业机器人不同，家庭机器人因其减轻人类劳动负担的作用而广受欢迎。然而，在这些机器人能够执行家务之前，它们需要熟练掌握若干基本技能，如环境识别、决策-making以及捕捉人类行为。强化学习（Reinforcement Learning, RL）已成为机器人领域的关键技术，使机器人能够与环境交互并学习优化动作以最大化奖励。深度强化学习（DeepRL）旨在通过结合深度学习与强化学习，解决更复杂的连续动作-状态空间问题。通过交互式反馈，训练师能提供实时指导，从而加速机器人学习过程。然而，现有方法存在局限性，即指导仅临时应用，导致在相同条件下重复学习。为此，我们提出了一种新方法——深度交互式强化学习（Deep Interactive Reinforcement Learning），其利用持久化的基于规则系统来保存和重用信息与建议。该方法不仅加速了训练过程，还减少了训练师需要重复的次数。本研究有望推动家庭机器人发展，提高其作为学习者的效果与效率。
引用
@article{arxiv.2405.18687,
title = {Advancing Household Robotics: Deep Interactive Reinforcement Learning for Efficient Training and Enhanced Performance},
author = {Arpita Soni and Sujatha Alla and Suresh Dodda and Hemanth Volikatla},
journal= {arXiv preprint arXiv:2405.18687},
year = {2024}
}