模块化机器人深度强化学习方法的评估
机器人学
2018-02-08 v1
摘要
我们提出了一种用于模块化机器人中深度强化学习（DRL）的新框架，其使用传统机器人工具扩展了最先进的 DRL 实现，并提供了一种直接从关节状态训练机器人的端到端方法。此外，我们提出了一种将这些 DLR 方法迁移至真实机器人的新技术，旨在缩小仿真与现实的差距。我们展示了最先进 DRL 方法在模块化机器人连续动作空间中的性能鲁棒性，并在仿真与真实机器人中进行了实证研究，同时也评估了加速仿真时间如何影响机器人性能。我们的结果表明，将模块化机器人从 3 自由度（DoF）扩展至 4 自由度并不会影响机器人的学习。这为使用 DRL 技术训练模块化机器人铺平了道路。
引用
@article{arxiv.1802.02395,
title = {Evaluation of Deep Reinforcement Learning Methods for Modular Robots},
author = {Risto Kojcev and Nora Etxezarreta and Alejandro Hernández and Víctor Mayoral},
journal= {arXiv preprint arXiv:1802.02395},
year = {2018}
}