具有可适应在线学习的可解释神经控制网络用于机器人 locomotion 学习
摘要
机器人 locomotion 学习使用强化学习面临训练样本效率低和 exhibits non-understandable/black-box nature 的问题。因此，本 work 提出一种新型 SME-AGOL 以解决此类问题。首先，Sequential Motion Executor (SME) 是一个三层可解释神经网络，其中第一层产生顺序传播的隐藏状态，第二层构建相应的三角形基数，minor non-neighbor interference，第三层将基数映射到 motor commands。其次，Adaptable Gradient-weighting Online Learning (AGOL) 算法优先更新具有高相关性得分的参数，allowing the learning to focus more on the highly relevant ones。因此，这两个组件 lead to 一个可分析框架，其中每个顺序隐藏状态/basis 表示已学习的关键姿态/机器人配置。与 state-of-the-art 方法相比，SME-AGOL 需要 40% 更少的样本，在仿真六足机器人上获得 150% 更高的最终奖励/locomotion performance，同时仅用 10 分钟即可从零开始在物理六足机器人上进行学习。总体而言，本 work 不仅提出了用于样本高效且可理解 locomotion learning 的 SME-AGOL，还强调了可解释性用于提高样本效率和学习性能的潜在价值。
引用
@article{arxiv.2501.10698,
title = {An Interpretable Neural Control Network with Adaptable Online Learning for Sample Efficient Robot Locomotion Learning},
author = {Arthicha Srisuchinnawong and Poramate Manoonpong},
journal= {arXiv preprint arXiv:2501.10698},
year = {2025}
}
备注
20 pages, 11 Figures + 6 Figures in supplementary material section, 2 Tables, submitted to TNNLS (minor revision; revision submitted 5 October 2024)