利用习得任务模式的高效双手操作
机器人学
2020-02-28 v2 计算机视觉与模式识别
机器学习
摘要
我们致力于解决在真实世界中有效组合技能以完成稀疏奖励任务的问题。给定一组参数化技能（例如在某一位置施加力或进行顶部抓取），我们的目标是学习能够调用这些技能以高效解决此类任务的策略。我们的洞见是，对于许多任务，学习过程可分解为学习一个与状态无关的任务模式（要执行的技能序列）以及一个以状态依赖方式选择技能参数化的策略。对于此类任务，我们表明显式建模模式的状态无关性可为无模型强化学习算法带来显著的样本效率提升。此外，这些模式可通过简单地重新学习调用技能时的参数化，迁移用于解决相关任务。我们发现，这样做能够极其高效地学习在真实世界机器人系统上解决稀疏奖励任务。我们在仿真与真实硬件上的一系列机器人双手操作任务中通过实验验证了我们的方法。视频见 http://tinyurl.com/chitnis-schema。
引用
@article{arxiv.1909.13874,
title = {Efficient Bimanual Manipulation Using Learned Task Schemas},
author = {Rohan Chitnis and Shubham Tulsiani and Saurabh Gupta and Abhinav Gupta},
journal= {arXiv preprint arXiv:1909.13874},
year = {2020}
}
备注
ICRA 2020 final version