在机器人领域中利用跳跃模型进行规划与快速学习
机器人学
2023-02-27 v1 人工智能
机器学习
摘要
在本文中，我们研究从无标注经验中学习多步动态预测模型（跳跃模型）的问题，以及它们在下游任务中用于（高层）计划快速推断的效用。特别地，我们提出从先前收集的经验中离线学习一个跳跃模型及一个技能嵌入空间，无需任何标签或奖励标注。随后我们研究几种将所学组件与基于模型的规划或无模型强化学习（RL）结合以加速下游任务学习的方案。我们在 RGB-stacking 环境中进行了一组实验，表明利用所学技能及相关模型进行规划可实现对新任务的零样本泛化，并可通过强化学习进一步加速策略训练。这些实验表明，包含时间抽象的跳跃模型能够促进长视野任务中的规划，而标准动态模型在此类任务中失效。
引用
@article{arxiv.2302.12617,
title = {Leveraging Jumpy Models for Planning and Fast Learning in Robotic Domains},
author = {Jingwei Zhang and Jost Tobias Springenberg and Arunkumar Byravan and Leonard Hasenclever and Abbas Abdolmaleki and Dushyant Rao and Nicolas Heess and Martin Riedmiller},
journal= {arXiv preprint arXiv:2302.12617},
year = {2023}
}