结合深度强化学习与示范学习复杂灵巧操作
机器学习
2018-06-27 v2 人工智能
机器人学
摘要
灵巧多指手具有极高的通用性，为在以人为中心的环境中执行大量任务提供了一种通用方式。然而，由于其高维度和大量潜在接触点，对其进行有效控制仍然具有挑战性。深度强化学习（DRL）提供了一种与模型无关的方法来控制复杂动力系统，但尚未被证明能够扩展至高维灵巧操作。此外，由于样本效率低下，将 DRL 部署于物理系统仍然具有挑战性。因此，迄今为止 DRL 在机器人学中的成功仅限于较简单的机械臂和任务。在本工作中，我们展示了无模型 DRL 能够有效扩展至具有 24 个自由度高维手的复杂操作任务，并在模拟实验中从零开始解决这些任务。此外，通过使用少量人类示范，可以显著降低样本复杂度，从而使得在相当于数小时机器人经验的样本量下即可完成学习。使用示范学习得到的策略表现出非常自然的运动，令人惊讶的是，它们也具有更强的鲁棒性。
引用
@article{arxiv.1709.10087,
title = {Learning Complex Dexterous Manipulation with Deep Reinforcement Learning and Demonstrations},
author = {Aravind Rajeswaran and Vikash Kumar and Abhishek Gupta and Giulia Vezzani and John Schulman and Emanuel Todorov and Sergey Levine},
journal= {arXiv preprint arXiv:1709.10087},
year = {2018}
}
备注
Accepted for presentation at Robotics: Science and Systems (RSS) 2018. Project page: https://sites.google.com/view/deeprl-dexterous-manipulation