CompoSuite：一个组合式强化学习基准
机器学习
2022-07-12 v1 人工智能
机器人学
摘要
我们提出CompoSuite，一个用于组合式多任务强化学习（RL）的开源模拟机器人操作基准。每个CompoSuite任务要求特定机械臂操控单个物体以实现任务目标，同时避开障碍物。这种任务的组合式定义赋予CompoSuite两个显著特性。首先，改变机器人/物体/目标/障碍物元素可产生数百个RL任务，每个都需要明显不同的行为。其次，可专门评估RL方法学习任务组合结构的能力。后者对问题进行功能分解的能力将使智能体能够识别并利用学习任务间的共性，以处理大量高度多样化的问题。我们在多种训练设置下对现有单任务、多任务和组合式学习算法进行基准测试，并评估它们向未见过任务的组合泛化能力。我们的评估揭示了现有RL方法在组合性方面的不足，并开辟了新研究途径。
引用
@article{arxiv.2207.04136,
title = {CompoSuite: A Compositional Reinforcement Learning Benchmark},
author = {Jorge A. Mendez and Marcel Hussing and Meghna Gummadi and Eric Eaton},
journal= {arXiv preprint arXiv:2207.04136},
year = {2022}
}
备注
Published at 1st Conference on Lifelong Learning Agents, 2022; code: https://github.com/Lifelong-ML/CompoSuite