基于图的杂乱场景生成与利用深度强化学习的交互式探索
机器人学
2021-09-23 v1
摘要
我们引入一种新方法，通过利用场景的物理合理性，教导机器人智能体交互式探索杂乱但有结构的场景，如厨房食品柜与杂货货架。我们提出一种新颖的学习框架，训练有效的场景探索策略以最少的交互发现隐藏物体。首先，我们定义一种新颖的场景文法来表示结构化杂乱。然后我们训练一个基于图神经网络（GNN）的场景生成智能体，利用深度强化学习（deep RL）操控该场景文法，以创建多样化的一组稳定场景，每个场景包含多个隐藏物体。给定此类杂乱场景，我们随后训练一个场景探索智能体，利用 deep RL 通过交互式重排场景来揭开隐藏物体。我们展示所学智能体比基线隐藏和发现的物体显著更多。我们给出证明智能体泛化能力的定量结果。我们还通过成功在真实 UR10 机器人上部署所学策略探索真实世界杂乱场景，展示了仿真到真实的迁移。补充视频可见于 https://www.youtube.com/watch?v=T2Jo7wwaXss。
引用
@article{arxiv.2109.10460,
title = {Graph-based Cluttered Scene Generation and Interactive Exploration using Deep Reinforcement Learning},
author = {K. Niranjan Kumar and Irfan Essa and Sehoon Ha},
journal= {arXiv preprint arXiv:2109.10460},
year = {2021}
}