用于优化运动控制器的 Deep Kernels
机器人学
2018-10-11 v2 机器学习
摘要
在优化运动控制器参数时，样本效率至关重要，因为硬件实验耗时且昂贵。贝叶斯优化作为一种样本高效的优化框架，最近已被广泛应用于解决此问题，但要实际应用于现实世界机器人和高维控制器，仍需进一步提高样本效率。为此，先前的工作提出利用领域专业知识构建用于运动控制的自定义距离度量。在本工作中，我们展示了如何自动学习此类距离度量。我们利用神经网络从高保真仿真获得的数据中学习信息丰富的距离度量。我们在两种不同的控制器和机器人架构上进行了实验。首先，我们展示了在 ATRIAS 机器人硬件上优化 5 维控制器时样本效率的提升。随后，我们进行仿真实验以优化 7 连杆机器人模型的 16 维控制器，即使在扰动环境中优化也获得了显著改进。这表明我们的方法能够提高两种不同控制器的样本效率，因此是未来进行硬件实验的合适候选方案。
引用
@article{arxiv.1707.09062,
title = {Deep Kernels for Optimizing Locomotion Controllers},
author = {Rika Antonova and Akshara Rai and Christopher G. Atkeson},
journal= {arXiv preprint arXiv:1707.09062},
year = {2018}
}
备注
(Rika Antonova and Akshara Rai contributed equally)