利用接地状态表示学习操控物体集合
机器人学
2020-08-10 v3 人工智能
机器学习
摘要
我们提出了一种 sim-to-real 机器人学习方法，其以可扩展到多物体的方式利用模拟器状态信息。我们首先训练一对编码器网络，以在潜空间中捕获多物体状态信息。其中一个编码器为 CNN，使我们的系统能在真实世界中基于 RGB 图像运行；另一个为图神经网络（GNN）状态编码器，直接接收一组原始物体位姿，并实现更精确的奖励计算与价值估计。训练完成后，我们在强化学习算法中使用这些编码器来训练可操控多个物体的基于图像的策略。我们在将一组物体推至所需桌面区域这一任务上评估了我们的方法。与仅依赖图像或使用定长状态编码的方法相比，我们的方法取得了更高的成功率，在无需微调的真实世界中表现良好，并能泛化至训练时未见过的不同数量与类型的物体。
引用
@article{arxiv.1909.07876,
title = {Learning to Manipulate Object Collections Using Grounded State Representations},
author = {Matthew Wilson and Tucker Hermans},
journal= {arXiv preprint arXiv:1909.07876},
year = {2020}
}
备注
Accepted to Conference on Robot Learning 2019 (Oral); Video results: https://bit.ly/2khSKUs; v3: fix abstract and appendix