面向像素级物体操作的实体中心强化学习
机器人学
2024-04-02 v1 计算机视觉与模式识别
机器学习
摘要
操作物体是人类智能的标志，也是机器人等领域的重要任务。原则上，强化学习（RL）提供了一种学习物体操作的通用方法。然而在实践中，由于维度灾难，尤其是当从原始图像观测中学习时，包含多个物体的领域对RL智能体来说很困难。在这项工作中，我们提出了一种适用于表示多个物体及其交互的结构化视觉RL方法，并用它来学习多个物体的目标条件操作。我们方法的关键是能够处理物体之间存在依赖关系的目标（例如，按特定顺序移动物体）。我们进一步将我们的架构与训练智能体的泛化能力联系起来，基于组合泛化的理论结果，并展示了用3个物体学习但能泛化到超过10个物体的类似任务的智能体。视频和代码可在项目网站上获取：https://sites.google.com/view/entity-centric-rl
引用
@article{arxiv.2404.01220,
title = {Entity-Centric Reinforcement Learning for Object Manipulation from Pixels},
author = {Dan Haramati and Tal Daniel and Aviv Tamar},
journal= {arXiv preprint arXiv:2404.01220},
year = {2024}
}
备注
ICLR 2024 Spotlight. Videos and code are available on the project website: https://sites.google.com/view/entity-centric-rl