基于几何表示的挖掘强化学习
机器人学
2022-01-28 v1
摘要
在杂乱环境中挖掘不规则刚体物体（如碎岩和木块）极具挑战性，因其复杂的交互动力学和高度可变的几何形状。本文采用强化学习（RL）应对该挑战，并学习策略以针对不规则刚体物体给定挖掘场景点云规划一系列挖掘轨迹。此外，我们在无需人工标注的几何任务上分别学习点云的紧凑表示。我们表明，使用该表示减少了 RL 的训练时间，同时相较于端到端 RL 算法取得了相似的渐近性能。当将在仿真中训练的策略直接用于真实场景时，我们显示用该表示训练的策略优于端到端 RL。据我们所知，本文首次将 RL 应用于规划杂乱环境中不规则刚体物体的一系列挖掘轨迹。
引用
@article{arxiv.2201.11292,
title = {Excavation Reinforcement Learning Using Geometric Representation},
author = {Qingkai Lu and Yifan Zhu and Liangjun Zhang},
journal= {arXiv preprint arXiv:2201.11292},
year = {2022}
}