Dot-to-Dot:面向机器人操作的可解释分层强化学习
机器学习
2020-02-13 v2 人工智能
机器人学
机器学习
摘要
机器人系统正愈发具备自动化与完成复杂任务的能力,尤其依赖于智能系统、深度学习和人工智能的近期进展。然而,随着机器人与人类交互日益密切,机器人决策过程对人类的可解释性或可解释性(explainability)变得愈发重要。只有通过相互理解环境与当前任务的底层表征,才能达成成功的交互与协作。这在当前深度学习系统中仍是一项挑战。我们提出一种分层深度强化学习系统,由一个低级智能体通过遵循高级智能体的指令,高效处理机器人系统庞大的动作/状态空间;该高级智能体学习环境与任务的高层动态。此高级智能体形成对人类操作员可解释的世界与任务表征。我们将该方法称为Dot-to-Dot,并在基于MuJoCo的Fetch Robotics机械臂模型以及Shadow Hand上测试其性能。结果表明,低级智能体高效学习了复杂动作/状态空间,而高级智能体学习了任务与决策过程的可解释表征。
引用
@article{arxiv.1904.06703,
title = {Dot-to-Dot: Explainable Hierarchical Reinforcement Learning for Robotic Manipulation},
author = {Benjamin Beyret and Ali Shafti and A. Aldo Faisal},
journal= {arXiv preprint arXiv:1904.06703},
year = {2020}
}