通过解耦环境与智能体表征实现高效强化学习
机器学习
2023-09-06 v1 人工智能
计算机视觉与模式识别
神经与进化计算
机器人学
摘要
意识到自身与环境之间分离的智能体可以利用这种理解来形成对视觉输入的有效表征。我们提出一种为RL算法学习此类结构化表征的方法,该方法利用智能体的视觉知识(例如其形状或掩码),这类知识通常获取成本很低。这通过一个简单的辅助损失被纳入RL目标中。我们表明,我们的方法——结构化环境-智能体表征(Structured Environment-Agent Representations)——在跨越5种不同机器人的18个不同具有挑战性的视觉仿真环境中优于最先进的免模型方法。网站见https://sear-rl.github.io/
引用
@article{arxiv.2309.02435,
title = {Efficient RL via Disentangled Environment and Agent Representations},
author = {Kevin Gmelin and Shikhar Bahl and Russell Mendonca and Deepak Pathak},
journal= {arXiv preprint arXiv:2309.02435},
year = {2023}
}
备注
ICML 2023. Website at https://sear-rl.github.io/