拓展你的极限：基于真实世界强化学习的机器人运动连续改进
机器人学
2023-10-27 v1 人工智能
机器学习
摘要
深度强化学习（RL）可使机器人自主习得复杂行为，例如腿式运动。然而，真实世界中的 RL 受到效率、安全性及整体训练稳定性等约束的困扰，这限制了其实用性。我们提出 APRL，一种策略正则化框架，在训练过程中调节机器人的探索，在灵活的改进潜力与聚焦、高效的探索之间取得平衡。APRL 使四足机器人能在真实世界中于数分钟内高效学会行走，并在更多训练中持续提升性能，而先前工作在性能上已饱和。我们证明，使用 APRL 的持续训练所得策略在应对挑战性情境时能力显著更强，并能在持续训练中适应动力学变化。
引用
@article{arxiv.2310.17634,
title = {Grow Your Limits: Continuous Improvement with Real-World RL for Robotic Locomotion},
author = {Laura Smith and Yunhao Cao and Sergey Levine},
journal= {arXiv preprint arXiv:2310.17634},
year = {2023}
}
备注
First two authors contributed equally. Project website: https://sites.google.com/berkeley.edu/aprl