GraspARL：基于对抗强化学习的动态抓取
机器人学
2022-03-15 v2 人工智能
摘要
抓取运动物体（如传送带上的货物或活体动物）是机器人学中重要但具挑战性的任务。传统方法依赖一组人工定义的对象运动模式进行训练，导致对未见物体轨迹的泛化能力较差。本文引入一种用于动态抓取的对抗强化学习框架，即 GraspARL。具体而言，我们将动态抓取问题建模为“移动-抓取”博弈：机器人在移动平台上拾取物体，而对抗性移动者寻找逃脱路径。因此，两个智能体进行极小极大博弈并通过强化学习训练。如此，移动者在训练时可自动生成多样化运动轨迹，而经对抗轨迹训练的机器人可泛化至各种运动模式。在仿真器与真实场景中的实证结果证明了各模块的有效性及方法的良好泛化能力。
引用
@article{arxiv.2203.02119,
title = {GraspARL: Dynamic Grasping via Adversarial Reinforcement Learning},
author = {Tianhao Wu and Fangwei Zhong and Yiran Geng and Hongchen Wang and Yongjian Zhu and Yizhou Wang and Hao Dong},
journal= {arXiv preprint arXiv:2203.02119},
year = {2022}
}