基于肌肉协同的低秩模块化强化学习
机器学习
2022-10-28 v1 人工智能
机器人学
摘要
模块化强化学习（RL）通过为每个执行器学习策略来实现多关节机器人的分散控制。先前关于模块化 RL 的工作已证明其能够用共享的执行器策略控制形态不同的智能体。然而，随着机器人自由度（DoF）的增加，训练一个形态可泛化的模块化控制器变得指数级困难。受人类中枢神经系统控制众多肌肉的方式启发，我们提出了一种面向协同的学习（SOLAR）框架，该框架利用了机器人控制中 DoF 的冗余特性。执行器通过无监督学习方法被分组为协同组，并学习一个协同动作来同步控制多个执行器。通过这种方式，我们在协同层面实现了低秩控制。我们在多种机器人形态上广泛评估了我们的方法，结果表明其具有优越的效率和泛化能力，尤其是在像 Humanoids++ 和 UNIMALs 这样具有大 DoF 的机器人上。
引用
@article{arxiv.2210.15479,
title = {Low-Rank Modular Reinforcement Learning via Muscle Synergy},
author = {Heng Dong and Tonghan Wang and Jiayuan Liu and Chongjie Zhang},
journal= {arXiv preprint arXiv:2210.15479},
year = {2022}
}
备注
36th Conference on Neural Information Processing Systems (NeurIPS 2022)