面向导航中安全实用策略优化的干预辅助强化学习
机器人学
2018-11-16 v1 人工智能
摘要
将深度神经网络与强化学习结合在下一代智能控制中展现出巨大潜力。然而，在实际应用中存在安全性与成本方面的挑战。本文提出干预辅助强化学习（IARL）框架，利用人为干预的机器人-环境交互来改进策略。我们使用无人机（UAV）作为测试平台。我们构建神经网络作为策略，将传感器读数映射到UAV上的控制信号。我们的实验场景涵盖仿真与现实。我们表明，该方法大幅减少了人为干预并提升了自主导航性能，同时确保安全性并保持训练成本可接受。
引用
@article{arxiv.1811.06187,
title = {Intervention Aided Reinforcement Learning for Safe and Practical Policy Optimization in Navigation},
author = {Fan Wang and Bo Zhou and Ke Chen and Tingxiang Fan and Xi Zhang and Jiangyong Li and Hao Tian and Jia Pan},
journal= {arXiv preprint arXiv:1811.06187},
year = {2018}
}