基于深度强化学习与蒙特卡洛树搜索的非抓取多物体重排分层策略
机器人学
2021-09-21 v1 人工智能
摘要
非抓取多物体重排是一项机器人任务，即在不抓取的情况下规划可行路径并将多个物体转移到其预定义的目标位姿。它需要考虑每个物体如何到达目标以及物体移动的顺序，这显著加深了问题的复杂性。为应对这些挑战，我们提出一种分层策略以分而治之地处理非抓取多物体重排。在高层策略中，在设计的策略网络引导下，蒙特卡洛树搜索高效地搜索多个物体间的最优重排序列，其受益于模仿与强化。在低层策略中，机器人依据路径基元顺序规划路径，并逐一操纵物体接近目标位姿。我们通过实验验证，所提方法相比最先进方法可实现更高的成功率、更少的步数以及更短的路径长度。
引用
@article{arxiv.2109.08973,
title = {Hierarchical Policy for Non-prehensile Multi-object Rearrangement with Deep Reinforcement Learning and Monte Carlo Tree Search},
author = {Fan Bai and Fei Meng and Jianbang Liu and Jiankun Wang and Max Q. -H. Meng},
journal= {arXiv preprint arXiv:2109.08973},
year = {2021}
}