紧凑神经元回路策略可否被重新用于学习简单机器人控制？
机器学习
2019-11-21 v2 人工智能
神经与进化计算
机器人学
机器学习
摘要
我们提出一种神经信息处理系统，通过重新利用生物神经回路模型的功能，来掌控模拟与真实世界的控制任务。受土壤线虫 C. elegans 神经系统结构的启发，我们引入神经元回路策略（Neuronal Circuit Policies, NCPs），其定义为被重新参数化以控制另一任务的生物神经回路模型。我们学习 NCPs 的实例来控制一系列机器人任务，包括真实世界漫游机器人的自主泊车。为重新配置神经回路的用途，我们采用基于搜索的优化算法。神经元回路策略性能与当代深度学习模型相当，并在某些情况下超越后者，其优势在于利用显著更少的可学习参数，并在细胞层级实现可解释的动力学。
引用
@article{arxiv.1809.04423,
title = {Can a Compact Neuronal Circuit Policy be Re-purposed to Learn Simple Robotic Control?},
author = {Ramin Hasani and Mathias Lechner and Alexander Amini and Daniela Rus and Radu Grosu},
journal= {arXiv preprint arXiv:1809.04423},
year = {2019}
}
备注
arXiv admin note: substantial text overlap with arXiv:1803.08554