DeepKoCo:基于任务相关 Koopman 表示的高效潜空间规划
机器学习
2021-09-27 v3 计算机视觉与模式识别
机器人学
系统与控制
系统与控制
摘要
本文提出 DeepKoCo,一种从图像学习潜空间 Koopman 表示的新型基于模型的智能体。该表示允许 DeepKoCo 使用线性控制方法(如线性模型预测控制)进行高效规划。相比传统智能体,DeepKoCo 得益于定制的损真自编码器网络,学习任务相关动力学,使其仅重建并预测观测到的代价而非所有观测动力学。如我们的结果所示,DeepKoCo 在复杂控制任务上取得与传统无模型方法相似的最终性能,同时对干扰动力学显著更鲁棒,使所提智能体更适于实际应用。
引用
@article{arxiv.2011.12690,
title = {DeepKoCo: Efficient latent planning with a task-relevant Koopman representation},
author = {Bas van der Heijden and Laura Ferranti and Jens Kober and Robert Babuska},
journal= {arXiv preprint arXiv:2011.12690},
year = {2021}
}