基于深度强化学习的机械臂操作及通过仿真获取高效训练数据
机器人学
2019-09-09 v2 系统与控制
系统与控制
摘要
深度强化学习利用从经验回放缓冲区中采样的经验来训练神经网络，该缓冲区通常在每个时间步更新。在本文中，我们提出一种自适应且选择性地更新经验回放缓冲区的方法，以在仿真中训练机械臂完成吸附任务。智能体的响应时间被充分考虑。停留在约束边界上的状态转移不被存储。使用我们方法训练的策略优于使用常见经验回放缓冲区更新方法的策略。该结果通过仿真和真实机械臂实验均得到了验证。
引用
@article{arxiv.1907.06884,
title = {Deep Reinforcement Learning Based Robot Arm Manipulation with Efficient Training Data through Simulation},
author = {Xiaowei Xing and Dong Eui Chang},
journal= {arXiv preprint arXiv:1907.06884},
year = {2019}
}
备注
Appearing in The 19th International Conference on Control, Automation and Systems, Jeju, Korea, 2019