基于鲁棒关键点表示的机器人操作端到端强化学习
机器人学
2022-02-15 v1 计算机视觉与模式识别
摘要
我们提出了一种用于机器人操作任务的端到端强化学习(RL)框架，使用鲁棒且高效的关键点表示。所提方法通过自监督自编码器架构从相机图像中学习关键点作为状态表示。关键点以紧凑表示编码几何信息以及工具与目标之间的关系，以确保高效且鲁棒的学习。在关键点学习之后，RL步骤从提取的关键点状态表示中学习机器人运动。关键点与RL学习过程完全在仿真环境中完成。我们在不同场景下的抓取与推动等机器人操作任务上展示了所提方法的有效性。我们还研究了训练模型的泛化能力。除鲁棒关键点表示外，我们进一步应用域随机化与对抗训练样本，以在真实世界机器人操作任务中实现零样本仿真到实物的迁移。
引用
@article{arxiv.2202.06027,
title = {End-to-end Reinforcement Learning of Robotic Manipulation with Robust Keypoints Representation},
author = {Tianying Wang and En Yen Puang and Marcus Lee and Yan Wu and Wei Jing},
journal= {arXiv preprint arXiv:2202.06027},
year = {2022}
}
备注
8 pages