基于 HIEM 的高效机器人目标搜索：内外在建模的分层策略学习
机器人学
2021-03-04 v2 人工智能
摘要
尽管使机器人具备自主行为方面取得显著成功，令深度强化学习成为机器人目标搜索任务的一种有前景的方法，但深度强化学习方法严重受限于该任务固有的稀疏奖励设定。为应对这一挑战，我们提出一种用于目标搜索任务的新颖策略学习范式，基于具有内在-外在奖励设定的分层且可解释建模。更具体地，我们通过由内在奖励子目标驱动的代理低级策略高效地探索环境。我们进一步从高效探索经验中学习分层策略，其中我们同时优化高级与低级策略以朝向外在奖励目标，从而良好地执行目标搜索任务。在 House3D 环境下进行的实验验证并表明，经我们模型训练的机器人能够以更优且可解释的方式执行目标搜索任务。
引用
@article{arxiv.2010.08596,
title = {Efficient Robotic Object Search via HIEM: Hierarchical Policy Learning with Intrinsic-Extrinsic Modeling},
author = {Xin Ye and Yezhou Yang},
journal= {arXiv preprint arXiv:2010.08596},
year = {2021}
}
备注
RA-L & ICRA21