基于深度模型融合强化学习的高效机器人任务泛化
机器人学
2019-12-12 v1 人工智能
摘要
近年来,基于学习的方法已被用于编程实现机器人任务。然而,通常不仅需要大量训练用于初始任务学习,还需要将学习到的模型泛化到相同但环境不同的任务中。在本文中,我们提出一种新颖的深度强化学习算法,用于机器人任务学习问题中的高效任务泛化与环境适应。所提方法能够通过模型融合高效地泛化先前学习的任务,以解决环境适应问题。所提深度模型融合(DMF)方法重用并组合先前训练的模型,以提高学习效率和结果。此外,我们还引入了多目标引导奖励(MGR)塑造技术,以进一步提升训练效率。所提方法在各种环境中与先前方法进行了基准对比,以验证其有效性。
引用
@article{arxiv.1912.05205,
title = {Efficient Robotic Task Generalization Using Deep Model Fusion Reinforcement Learning},
author = {Tianying Wang and Hao Zhang and Wei Qi Toh and Hongyuan Zhu and Cheston Tan and Yan Wu and Yong Liu and Wei Jing},
journal= {arXiv preprint arXiv:1912.05205},
year = {2019}
}
备注
Accepted by ROBIO 2019