GLSO：用于样本高效机器人设计自动化的文法引导潜空间优化
机器人学
2022-09-26 v1 机器学习
摘要
机器人已被用于各类自动化，然而机器人的设计仍主要是手工任务。我们力求提供设计工具以自动化机器人自身的设计。机器人设计自动化中的一个重要挑战是巨大且复杂的设计搜索空间，其随组件数量呈指数增长，使得优化困难且样本低效。在这项工作中，我们提出文法引导潜空间优化（GLSO），一个通过训练图变分自编码器（VAE）来学习图结构设计的空间与连续潜空间之间映射的框架，从而将设计自动化转化为低维连续优化问题。这一转化使得优化可在连续潜空间中进行，其中通过应用如贝叶斯优化等算法可显著提升样本效率。GLSO 利用图文法规则与机器人世界空间特征引导 VAE 的训练，使得所学潜空间聚焦于有效机器人且更易于优化算法探索。重要的是，训练好的 VAE 可被复用于搜索专用于多个不同任务的设计而无需重新训练。我们通过在一组仿真运动任务中设计机器人来评估 GLSO，并证明我们的方法优于相关的前沿机器人设计自动化方法。
引用
@article{arxiv.2209.11748,
title = {GLSO: Grammar-guided Latent Space Optimization for Sample-efficient Robot Design Automation},
author = {Jiaheng Hu and Julian Whiman and Howie Choset},
journal= {arXiv preprint arXiv:2209.11748},
year = {2022}
}