用于物体解缠的深度对抗强化学习
机器人学
2021-03-18 v2 人工智能
机器学习
摘要
深度学习结合改进的的训练技术与高计算能力，推动了强化学习（RL）领域的近期进展，并带来了成功的机器人 RL 应用，如手内操控。然而，大多数机器人 RL 依赖于已知的初始状态分布。在真实世界任务中，该信息往往不可用。例如，在解缠废弃物物体时，机器人相对于物体的实际位置可能与 RL 策略训练时的位置不匹配。为解决此问题，我们提出了一种新颖的对抗强化学习（ARL）框架。ARL 框架利用一个对手，其被训练来将原始智能体（主角）引向具有挑战性的状态。我们联合训练主角与对手，使它们能适应对手不断变化的策略。我们表明，通过训练一个端到端的机器人控制系统来解决具有挑战性的物体解缠任务，我们的方法能从训练场景泛化到测试场景。使用 KUKA LBR+ 7-DOF 机械臂的实验表明，当从不同于训练时提供的初始状态开始时，我们的方法在解缠上优于基线方法。
引用
@article{arxiv.2003.03779,
title = {Deep Adversarial Reinforcement Learning for Object Disentangling},
author = {Melvin Laux and Oleg Arenz and Jan Peters and Joni Pajarinen},
journal= {arXiv preprint arXiv:2003.03779},
year = {2021}
}
备注
7 pages, IROS 2020