内在动机与心理重放实现随机循环网络中的高效在线适应
人工智能
2018-11-09 v2 机器学习
机器人学
机器学习
摘要
自主机器人需要与未知、非结构化和不断变化的环境交互，持续面对新颖挑战。因此，用于终身学习的连续在线适应，以及需要样本高效的机制来适应环境、约束、任务或机器人本身的变化至关重要。在这项工作中，我们提出了一种基于生物启发的随机循环神经网络的带在线适应的概率在线运动规划新框架。通过使用模仿内在动机信号——认知失调——的学习信号，并结合心理重放策略来强化经验，该随机循环网络能从少量物理交互中学习，并在数秒内适应新环境。我们在一个拟人化 KUKA LWR 机械臂上评估了我们的在线规划与适应框架。其快速在线适应性体现为：在遵循给定路点的同时，从少量物理交互中样本高效地学习未知工作空间约束。
引用
@article{arxiv.1802.08013,
title = {Intrinsic Motivation and Mental Replay enable Efficient Online Adaptation in Stochastic Recurrent Networks},
author = {Daniel Tanneberg and Jan Peters and Elmar Rueckert},
journal= {arXiv preprint arXiv:1802.08013},
year = {2018}
}
备注
accepted in Neural Networks