探索 CausalWorld：通过知识迁移与课程学习增强机器人操作
机器人学
2024-03-27 v1 人工智能
机器学习
摘要
本研究探索了一项基于学习的三指机器人手臂操作任务，该任务需要手指间复杂的运动和协调。通过采用强化学习，我们训练一个智能体以获取熟练操作所需的技能。为了提高学习过程的效率和效果，在软演员-评论家架构中使用了两种知识迁移策略：微调和课程学习。微调允许智能体利用预训练知识并将其适应于新任务。我们实施并评估了几种变体，如模型迁移、策略迁移和跨任务迁移。为了消除对预训练的需求，课程学习将高级任务分解为更简单、循序渐进的阶段，模仿人类的学习方式。研究发现，学习阶段的数量、子任务的上下文以及过渡时机是关键的设计参数。在上下文感知和上下文无关的场景中，探索了两种学习策略的关键因素及其相应效果，使我们能够识别这些方法展示最优性能的场景，得出决定性见解，并为更广泛的基于学习的工程应用做出贡献。
引用
@article{arxiv.2403.17266,
title = {Exploring CausalWorld: Enhancing robotic manipulation via knowledge transfer and curriculum learning},
author = {Xinrui Wang and Yan Jin},
journal= {arXiv preprint arXiv:2403.17266},
year = {2024}
}