学习稀疏关系转移模型
机器学习
2018-10-29 v1 人工智能
机器人学
机器学习
摘要
我们提出一种使用关系规则描述复杂不确定领域中转移模型的表示。对于任意动作,一条规则选取一组相关对象,并根据这些对象在前一状态中的属性,计算所得状态中仅这些对象属性的分布。我们使用迭代贪婪算法构造一组指示引用,以确定在任何给定状态中哪些对象相关。前馈神经网络用于学习相关对象属性的转移分布。该策略被证明比在机器人于杂乱桌面上推动物体堆的模拟领域中学习整体式转移模型更具通用性且样本效率更高。
引用
@article{arxiv.1810.11177,
title = {Learning sparse relational transition models},
author = {Victoria Xia and Zi Wang and Leslie Pack Kaelbling},
journal= {arXiv preprint arXiv:1810.11177},
year = {2018}
}