面向连续动作空间多目标搜索的学习长程机器人探索策略
机器人学
2022-08-25 v2
摘要
近期基于视觉的导航与探索在照片级真实感室内环境中展现出令人印象深刻的能力。然而，这些方法仍难以应对长程任务，且需要大量数据才能泛化到未见过环境。在本工作中，我们提出一种用于多目标搜索的新颖强化学习方法，该方法在单一模型中结合短期与长期推理，同时避免分层结构带来的复杂性。与现有在细粒度离散动作空间中行动的多目标搜索方法不同，我们的方法在连续动作空间中取得了卓越性能。我们进行了大量实验，表明其能以有限数据泛化到未见的公寓环境。此外，我们展示了在真实世界实验中将学习到的策略零样本迁移到办公室环境。
引用
@article{arxiv.2205.11384,
title = {Learning Long-Horizon Robot Exploration Strategies for Multi-Object Search in Continuous Action Spaces},
author = {Fabian Schmalstieg and Daniel Honerkamp and Tim Welschehold and Abhinav Valada},
journal= {arXiv preprint arXiv:2205.11384},
year = {2022}
}