面向可泛化机器人视觉运动控制的对抗特征训练
机器人学
2019-09-18 v1 计算机视觉与模式识别
机器学习
摘要
深度强化学习（RL）通过学习方法将图像像素映射到动作输出，实现了端到端的动作选择策略训练。然而，由于使用物理硬件时大规模数据收集的困难，其在视觉运动机器人策略训练中的应用受到限制。一个合适的视觉运动策略不仅应在其所训练的任务设定上表现良好，还应适用于该任务的各种变体，包括位于不同视角、被任务无关物体环绕的新颖物体。然而，在 RL 框架下，机器人设定难以充分收集交互样本以对任务的新颖方面良好泛化。在本工作中，我们证明，通过对域迁移使用对抗训练，可以基于 RL 框架训练视觉运动策略，并将习得的策略迁移到其他新颖任务域。我们提议利用深度 RL 能力为简单任务设定学习复杂视觉运动技能，然后借助迁移学习，在仅提供目标域中任务的静态图像的情况下泛化到新任务域。我们在两个真实机器人任务（抓取与倾倒）上评估了我们的方法，并与若干已有工作比较，证明了其优越性。
引用
@article{arxiv.1909.07745,
title = {Adversarial Feature Training for Generalizable Robotic Visuomotor Control},
author = {Xi Chen and Ali Ghadirzadeh and Mårten Björkman and Patric Jensfelt},
journal= {arXiv preprint arXiv:1909.07745},
year = {2019}
}