基于隐式双向课程的无演示自主强化学习
机器学习
2023-06-12 v2 人工智能
机器人学
摘要
尽管强化学习(RL)仅通过与环境交互已在获取复杂技能上取得巨大成功,但它假设每轮回合结束时可轻易获得向初始状态的重置。这一假设因物理世界中重置工作耗时且繁琐,阻碍了具身智能体的自主学习。因此,能够从不分段交互中学习的自主RL(ARL)方法日益受到关注。然而,现有ARL工作受限于对先验数据的依赖,且无法在任务相关交互稀疏的环境中学习。相比之下,我们提出一种通过隐式与双向课程(IBC)的无演示ARL算法。借助一个基于学习进度有条件激活的辅助智能体,以及基于最优传输的双向目标课程,我们的方法优于以往方法,甚至是那些利用演示的方法。
引用
@article{arxiv.2305.09943,
title = {Demonstration-free Autonomous Reinforcement Learning via Implicit and Bidirectional Curriculum},
author = {Jigang Kim and Daesol Cho and H. Jin Kim},
journal= {arXiv preprint arXiv:2305.09943},
year = {2023}
}
备注
ICML 2023, first two authors contributed equally