BayesSimIG：基于IsaacGym的可扩展参数推断用于自适应域随机化
机器人学
2021-07-12 v1 机器学习
摘要
BayesSim是一种用于强化学习中域随机化的统计技术，基于仿真参数的似然无关推断。本文概述了BayesSimIG：一个提供BayesSim实现并与近期发布的NVIDIA IsaacGym集成的库。该组合允许具有端到端GPU加速的大规模参数推断。推断与仿真均获得GPU加速，支持为复杂机器人任务运行超过10K个并行仿真环境，这些任务可具有超过100个待估计仿真参数。BayesSimIG提供与TensorBoard的集成以轻松可视化高维后验的切片。该库以模块化方式构建，以支持利用新颖方式从并行IsaacGym环境收集和处理轨迹的研究实验。
引用
@article{arxiv.2107.04527,
title = {BayesSimIG: Scalable Parameter Inference for Adaptive Domain Randomization with IsaacGym},
author = {Rika Antonova and Fabio Ramos and Rafael Possas and Dieter Fox},
journal= {arXiv preprint arXiv:2107.04527},
year = {2021}
}