基于视觉输入与自然奖励的工业插入任务深度强化学习
机器人学
2019-08-05 v2 计算机视觉与模式识别
机器学习
摘要
连接器插入以及现代制造业中常见的许多其他任务涉及复杂的接触动力学与摩擦。由于难以用一阶建模捕捉相关的物理效应，传统控制方法往往导致脆弱且不精确的控制器，且必须进行人工调参。强化学习（RL）方法已被证明能够在此类环境中通过与环境的自主交互学习控制器，但在现实世界中运行 RL 算法会带来样本效率与安全性方面的挑战。此外，在实际的现实世界场景中，我们无法假设能够获取完美的状态信息或密集的奖励信号。在本文中，我们考虑了多种具有视觉输入和不同自然奖励规范（即稀疏奖励和目标图像）的复杂工业插入任务。我们表明，将 RL 与先验信息（如经典控制器或演示）相结合的方法，可以通过适量的现实世界交互来解决这些任务。
引用
@article{arxiv.1906.05841,
title = {Deep Reinforcement Learning for Industrial Insertion Tasks with Visual Inputs and Natural Rewards},
author = {Gerrit Schoettler and Ashvin Nair and Jianlan Luo and Shikhar Bahl and Juan Aparicio Ojea and Eugen Solowjow and Sergey Levine},
journal= {arXiv preprint arXiv:1906.05841},
year = {2019}
}