利用机器人内在对称性学习具有几何规则性的连续控制
机器人学
2024-03-19 v2
摘要
几何规则性利用数据对称性，已成功融入 CNN、RNN、GNN 和 Transformer 等深度学习架构中。尽管该概念已在机器人学中广泛应用，以缓解从高维数据学习时的维度灾难问题，但机器人结构固有的反射对称与旋转对称尚未得到充分探索。受协作多智能体强化学习启发，我们为单智能体控制学习引入了显式捕捉这些对称性的新型网络结构。此外，我们研究了几何先验与多智能体强化学习中参数共享（Parameter Sharing）概念之间的关系。最后但同样重要的是，我们在在线与离线学习方法中实现了所提框架，以展示其易用性。通过在模拟器与真实机器人上进行的多种具有挑战性的连续控制任务实验，我们凸显了所提几何规则性在增强机器人学习能力方面的显著潜力。
引用
@article{arxiv.2306.16316,
title = {Learning Continuous Control with Geometric Regularity from Robot Intrinsic Symmetry},
author = {Shengchao Yan and Baohe Zhang and Yuan Zhang and Joschka Boedecker and Wolfram Burgard},
journal= {arXiv preprint arXiv:2306.16316},
year = {2024}
}
备注
accepted by ICRA 2024