语义知识增强深度强化学习在机器人操作臂中的提升
机器人学
2026-01-26 v1 人工智能
摘要
深度强化学习（DRL）是解决复杂序列决策问题的强大框架，尤其在机器人控制中具有重要应用。然而，其实际部署常因所需大量经验而受限，导致高计算和时间成本。本文提出一种新颖的DRL与语义知识（以知识图嵌入KGEs形式）集成方法，旨在通过提供上下文信息来增强学习效率。我们的体系结构将KGEs与视觉观察结合，使智能体能够在训练期间利用环境知识。实验验证在具有固定和随机目标属性的机器人操作臂环境中表明，我们的方法可实现最高达到{60}{\%}的学习时间减少，并将任务准确率提高约15个百分点，且无需增加训练时间或计算复杂度。这些结果凸显了语义知识在降低机器人应用中样本复杂度并提高DRL有效性的潜力。
引用
@article{arxiv.2601.16866,
title = {Boosting Deep Reinforcement Learning with Semantic Knowledge for Robotic Manipulators},
author = {Lucía Güitta-López and Vincenzo Suriani and Jaime Boal and Álvaro J. López-López and Daniele Nardi},
journal= {arXiv preprint arXiv:2601.16866},
year = {2026}
}