CAD2RL：无需真实图像的真实单图像飞行
机器学习
2017-06-09 v4 计算机视觉与模式识别
机器人学
摘要
深度强化学习已成为一种有前景且强大的技术，用于自动获取能够处理原始感官输入（如图像）并执行复杂行为的控制策略。然而，将深度RL扩展到现实世界机器人任务已被证明具有挑战性，特别是在自主飞行等安全关键领域，其中试错学习过程往往不切实际。在本文中，我们探讨以下问题：我们能否完全在仿真中训练基于视觉的导航策略，然后将它们迁移到真实世界，从而实现无需一张真实训练图像的真实世界飞行？我们提出一种称为CADRL的学习方法，该方法可用于在真实世界中执行无碰撞室内飞行，同时完全在3D CAD模型上训练。我们的方法使用来自单目相机的单张RGB图像，无需显式重建环境的3D几何或执行显式运动规划。我们学到的避碰策略由一个深度卷积神经网络表示，该网络直接处理原始单目图像并输出速度指令。该策略完全在仿真图像上训练，采用蒙特卡洛策略评估算法直接优化网络产生无碰撞飞行的能力。通过对我们的仿真训练集的渲染设置进行高度随机化，我们表明可以训练出泛化到真实世界的策略，而无需模拟器特别逼真或高保真。我们通过让真实四旋翼飞行器飞越室内环境来评估我们的方法，并通过对深度预测的一系列消融研究进一步评估我们模拟器中的设计选择。补充视频见：https://youtu.be/nXBWmzFrj5s
引用
@article{arxiv.1611.04201,
title = {CAD2RL: Real Single-Image Flight without a Single Real Image},
author = {Fereshteh Sadeghi and Sergey Levine},
journal= {arXiv preprint arXiv:1611.04201},
year = {2017}
}
备注
To appear at Robotics: Science and Systems Conference (R:SS), 2017. Supplementary video: https://www.youtube.com/watch?v=nXBWmzFrj5s