基于稀疏核表示的可组合学习
机器人学
2021-03-30 v2 机器学习
摘要
我们提出了一种在再生核希尔伯特空间中学习稀疏非参数控制器的强化学习算法。我们通过归一化优势函数（NAF）对状态-动作函数施加结构，从而改善了该方法的样本复杂度。该策略表示使得能够高效地组合多个已学习模型，而无需额外的训练样本或与环境的互动。我们在配备激光扫描器的机器人在 2D 环境中导航的多个仿真中展示了该算法在学习避障策略上的性能。我们将组合操作应用于各种策略组合并对其进行测试，表明组合策略保留了其组成部分的性能。我们还将组合策略直接迁移到在带有障碍物的场地中运行的物理平台，以展示一定程度的泛化能力。
引用
@article{arxiv.2103.14474,
title = {Composable Learning with Sparse Kernel Representations},
author = {Ekaterina Tolstaya and Ethan Stump and Alec Koppel and Alejandro Ribeiro},
journal= {arXiv preprint arXiv:2103.14474},
year = {2021}
}