面向未来的关键点：基于模型的强化学习中的自监督对应
机器人学
2020-09-14 v1
摘要
预测模型一直是许多机器人系统的核心，从四旋翼到行走机器人。然而，由于图像等高维感官观测，开发和将此类模型应用于实际机器人操作一直具有挑战性。先前在机器人操作背景下学习模型的方法要么学习整图动力学，要么使用自编码器在低维潜状态中学习动力学。在这项工作中，我们引入基于模型的预测与自监督视觉对应学习，并表明这不仅是可行的，而且证明这类预测模型在基于视觉的强化学习（采用自编码器型视觉训练）中相比替代方法展现出引人注目的性能提升。通过仿真实验，我们证明我们的模型提供更好的泛化精度，特别是在3D场景、涉及遮挡的场景以及类别泛化中。此外，我们通过硬件实验验证了我们的方法能有效迁移到真实世界。视频与补充材料见 https://sites.google.com/view/keypointsintothefuture
引用
@article{arxiv.2009.05085,
title = {Keypoints into the Future: Self-Supervised Correspondence in Model-Based Reinforcement Learning},
author = {Lucas Manuelli and Yunzhu Li and Pete Florence and Russ Tedrake},
journal= {arXiv preprint arXiv:2009.05085},
year = {2020}
}