如何在机器人导航中减少计算时间而不损性能？一种在基于模型与无模型学习间自主切换的神经启发架构
机器人学
2020-07-17 v2 机器学习
摘要
借鉴大脑如何协调多个学习系统，是赋予机器人更高灵活性的一种吸引人策略。预期优势之一是机器人能在某系统性能令人满意时自主切换到代价最小的系统。然而，据我们所知，尚无基于真实机器人的研究证明此类脑启发算法能在保持性能的同时降低所测得的计算代价。我们呈现了涉及不同长度路径至目标、死胡同以及非平稳性（即目标位置变化与障碍物出现）的导航实验。我们提出一种在学习系统间进行仲裁的新机制，其显式度量性能与代价。我们发现机器人可通过在学习系统间切换来适应环境变化，从而维持高性能。此外，当任务稳定时，机器人亦自主转向代价最小的系统，这导致计算代价急剧下降，同时保持高性能。总体而言，这些结果说明了使用多学习系统的价值。
引用
@article{arxiv.2004.14698,
title = {How to reduce computation time while sparing performance during robot navigation? A neuro-inspired architecture for autonomous shifting between model-based and model-free learning},
author = {Rémi Dromnelle and Erwan Renaudo and Guillaume Pourcel and Raja Chatila and Benoît Girard and Mehdi Khamassi},
journal= {arXiv preprint arXiv:2004.14698},
year = {2020}
}
备注
12 pages, 4 figures ; Living Machines 2020