一种基于智能社会学习的黑盒机器人强化学习控制优化策略
人工智能
2023-11-14 v1 神经与进化计算
机器人学
摘要
实现机器人的智能控制是一项困难任务，尤其在处理复杂黑盒系统时，因为缺乏对这些机器人内部运作方式的可见性与理解。本文提出一种智能社会学习（ISL）算法，以实现黑盒机器人系统的智能控制。受人类社会群体中个体间相互学习的启发，ISL 包含学习、模仿与自学三种方式。学习方式中的个体使用 Levy 飞行搜索策略向最优者学习并形成最紧密关系。在模仿方式中，个体通过随机扰动策略以二级亲密度模仿最优者。在自学方式中，个体使用正态分布采样方法独立学习，同时与最优者保持疏远关系。群体中个体在每种方式下被视为自主智能体。神经网络在三种方式中执行策略动作，与环境及机器人交互并迭代优化网络策略。总体而言，ISL 建立在智能优化原理之上，融合强化学习思想，具备强搜索能力、快计算速度、较少超参数以及对稀疏奖励不敏感的特性。所提 ISL 算法在 MuJoCo 的六个连续控制基准案例上与四种最先进方法进行比较以验证其有效性与优势。此外，ISL 被应用于 UR3 机器人的仿真与实验抓取任务中进行验证，并取得了令人满意的解决方案。
引用
@article{arxiv.2311.06576,
title = {An Intelligent Social Learning-based Optimization Strategy for Black-box Robotic Control with Reinforcement Learning},
author = {Xubo Yang and Jian Gao and Ting Wang and Yaozhen He},
journal= {arXiv preprint arXiv:2311.06576},
year = {2023}
}