学习执行：机器人学中通用计划条件策略的高效学习
人工智能
2021-11-16 v1 机器人学
摘要
强化学习（RL）在机器人学中的应用常受限于高数据需求。另一方面，在许多机器人学场景中近似模型 readily available，使得基于模型的方法（如规划）成为数据高效的替代方案。然而，若模型不精确或错误，这些方法的性能会下降。就此意义而言，RL 与基于模型的规划器各有其优势与弱点。在本工作中，我们研究如何将这两种方法集成到一个结合其优势的框架中。我们提出学习执行（L2E），它利用近似计划中包含的信息来学习与计划相关的通用策略。在我们的机器人操作实验中，与纯 RL、纯规划或结合学习与规划的基线方法相比，L2E 表现出更高的性能。
引用
@article{arxiv.2111.07908,
title = {Learning to Execute: Efficient Learning of Universal Plan-Conditioned Policies in Robotics},
author = {Ingmar Schubert and Danny Driess and Ozgur S. Oguz and Marc Toussaint},
journal= {arXiv preprint arXiv:2111.07908},
year = {2021}
}