基于目标的自适应生成对抗模仿学习用于多目标机器人操控任务
机器人学
2025-06-17 v1
摘要
多目标机器人操控任务的强化学习面临重大挑战，由于目标空间的多样性和复杂性。已引入诸如后见之明经验回放（HER）等技术以提高此类任务的学习效率。最近，研究人员将 HER 与先进的模仿学习方法如生成对抗模仿学习（GAIL）相结合，以整合演示数据并加速训练速度。然而，演示数据往往无法为目标空间提供足够的覆盖，尤其是在从人类遥操作获取时。这使得基于演示的学习过程偏向于掌握较简单的子任务，而非应对更具挑战性的任务。在这项工作中，我们提出了基于目标的自适应生成对抗模仿学习——Goal-SAGAIL，一个专为多目标机器人操控任务设计的新型框架。通过将自适应学习原理与目标条件化 GAIL 相结合，我们的方法增强了模仿学习效率，即使在有限且次优的演示数据可用时也是如此。实验结果验证了我们的方法在各种多目标操控场景——包括复杂的手内操控任务——中显著提高了学习效率，使用了来自仿真和人类专家的次优演示数据。
引用
@article{arxiv.2506.12676,
title = {Goal-based Self-Adaptive Generative Adversarial Imitation Learning (Goal-SAGAIL) for Multi-goal Robotic Manipulation Tasks},
author = {Yingyi Kuang and Luis J. Manso and George Vogiatzis},
journal= {arXiv preprint arXiv:2506.12676},
year = {2025}
}
备注
6 pages, 5 figures