分层集成模型：从异构机器人中学习导航
机器人学
2021-11-08 v2 人工智能
机器学习
摘要
深度强化学习算法需要大量且多样的数据集，才能学会基于感知的移动导航策略。然而，使用单一机器人收集此类数据集的成本可能高得令人望而却步。利用具有可能不同动力学特性的多种不同机器人平台收集数据，是一种更具可扩展性的大规模数据收集方法。但是，深度强化学习算法如何利用此类异构数据集？在这项工作中，我们提出了一种具有分层集成模型（HInt）的深度强化学习算法。在训练时，HInt学习独立的感知模型与动力学模型；在测试时，HInt以分层方式集成这两个模型，并利用集成模型规划动作。这种使用分层集成模型进行规划的方法，使算法能够在由多种不同平台收集的数据集上训练，同时在测试时尊重部署机器人的物理能力。我们的移动导航实验表明，HInt优于传统的分层策略与单源方法。
引用
@article{arxiv.2106.13280,
title = {Hierarchically Integrated Models: Learning to Navigate from Heterogeneous Robots},
author = {Katie Kang and Gregory Kahn and Sergey Levine},
journal= {arXiv preprint arXiv:2106.13280},
year = {2021}
}