基于流的本征好奇心模块
机器学习
2020-07-28 v3 计算机视觉与模式识别
机器学习
摘要
本文关注深度强化学习（DRL）框架下基于预测的新颖性估计策略，并提出一种基于流的本征好奇心模块（FICM），利用光流估计的预测误差作为探索奖励。我们提出了利用连续观测之间捕获的运动特征来评估环境中观测新颖性的概念。FICM鼓励DRL智能体探索具有陌生运动特征的观测，并且在估计新颖性时仅需两帧连续图像即可获得充足信息。我们在多个基准环境（包括Atari游戏、Super Mario Bros.和ViZDoom）上评估了我们的方法并与若干现有方法进行比较。我们证明FICM有利于具有运动物体的任务或环境，使其能利用连续观测间的运动特征。我们进一步对FICM的编码效率进行消融分析，并全面讨论其适用领域。
引用
@article{arxiv.1905.10071,
title = {Flow-based Intrinsic Curiosity Module},
author = {Hsuan-Kung Yang and Po-Han Chiang and Min-Fong Hong and Chun-Yi Lee},
journal= {arXiv preprint arXiv:1905.10071},
year = {2020}
}
备注
The SOLE copyright holder is IJCAI (International Joint Conferences on Artificial Intelligence), all rights reserved. The link is provided as follows: https://www.ijcai.org/Proceedings/2020/286