基于概率运动原语的经验重用
机器学习
2020-03-17 v2 机器人学
机器学习
摘要
获取新的机器人运动技能是繁琐的，因为从零开始且在没有先验知识的情况下学习一项技能需要探索庞大的运动构型空间。因此，在学习新任务时，通过用相似任务的解来初始化参数搜索空间以限制其范围，可以节省时间。我们提出了一个框架，能够将已学到的运动技能中的知识迁移到新的学习任务中。该框架将概率运动原语与其效果的描述相结合，用于技能表示。新技能首先使用从相关运动原语推断出的参数进行初始化，随后通过相对熵策略搜索适应新任务。我们比较了两种不同的迁移方法，它们利用具有相似效果的已知技能数据来初始化搜索空间分布。我们在模拟的 3 自由度（3-DOF）机器人推物体任务中展示了这两种知识迁移方法的不同优势。我们可以证明，当利用过往经验时，所学技能的质量得到提高，并且学习新任务所需的迭代次数可以减少 60% 以上。
引用
@article{arxiv.1908.03936,
title = {Experience Reuse with Probabilistic Movement Primitives},
author = {Svenja Stark and Jan Peters and Elmar Rueckert},
journal= {arXiv preprint arXiv:1908.03936},
year = {2020}
}
备注
8 pages, 5 figures, IROS 2019