基于离线强化学习的刚体物体挖掘学习
机器人学
2023-03-30 v1
摘要
自主挖掘是一项具有挑战性的任务。挖掘机铲斗与地形之间未知的接触动力学容易在挖掘过程中导致较大的接触力和卡阻问题。传统的基于模型的方法由于复杂的动力学建模而难以处理此类问题。在本文中，我们用三种新颖的操作基元来形式化挖掘技能。我们提出利用离线强化学习（RL）来学习这些操作基元，以避免大量的在线机器人交互。所提方法能够从次优演示中学习高效的贯入技能，这些演示包含可“拼接”在一起以形成最优轨迹且不会引起卡阻的子轨迹。我们通过挖掘多种刚体物体的大量实验评估了所提方法，并证明学习到的策略优于演示。我们还展示了学习到的策略可通过在线微调快速适应未见过的且具有挑战性的碎裂岩石。
引用
@article{arxiv.2303.16427,
title = {Learning Excavation of Rigid Objects with Offline Reinforcement Learning},
author = {Shiyu Jin and Zhixian Ye and Liangjun Zhang},
journal= {arXiv preprint arXiv:2303.16427},
year = {2023}
}
备注
Submitted to IROS 2023