交织蒙特卡洛树搜索与自监督学习用于杂乱环境中的物体抓取
机器人学
2022-03-25 v3
摘要
在本研究中，针对杂乱环境中的物体抓取任务，我们开发了一个机器人学习框架，其中先应用蒙特卡洛树搜索（MCTS）使深度神经网络（DNN）学习机械臂与含多物体的复杂场景之间的精细交互，使 DNN 部分克隆 MCTS 的行为。反过来，训练后的 DNN 被集成进 MCTS 以辅助引导其搜索工作。我们称此方法为用于物体抓取（Object REtrieval）的学习引导蒙特卡洛树搜索（MORE），其带来了显著的计算效率提升与增加的求解最优性。MORE 是一个能够在实际世界中工作的自监督机器人框架/流程，成功体现了 Kahneman 提出的系统 2 到系统 1 学习哲学，其中恰当使用的习得知识可随时间大幅加速耗时的决策过程。视频与补充材料见 https://github.com/arc-l/more
引用
@article{arxiv.2202.01426,
title = {Interleaving Monte Carlo Tree Search and Self-Supervised Learning for Object Retrieval in Clutter},
author = {Baichuan Huang and Teng Guo and Abdeslam Boularias and Jingjin Yu},
journal= {arXiv preprint arXiv:2202.01426},
year = {2022}
}
备注
Accepted by ICRA 2022