MaMiC：面向机器人强化学习的宏观与微观课程
机器学习
2019-05-20 v1 人工智能
机器人学
机器学习
摘要
相较于随机化方式的学习，人类与动物中的塑造已被证明是学习复杂任务的强力工具。这降低了问题复杂度，并使个体能先解决手边较易的子任务。为这种引导式学习生成课程，需先让智能体面对较易目标，再逐步提升难度。本文沿相似方向，提出一种用于解决稀疏奖励下机器人操作任务的双重课程方案，称为 MaMiC。它包含将任务划分为多个子任务的宏观课程方案，以及使智能体在这些已发现的子任务间学习的微观课程方案。我们展示了宏微观课程策略的结合如何克服机器人操作任务中被视为主要的探索约束，而无需设计任何复杂奖励。我们也阐明了各课程的含义，以及它们如何依任务独立使用。该双重课程方案的性能在 Fetch 环境中得到分析。
引用
@article{arxiv.1905.07193,
title = {MaMiC: Macro and Micro Curriculum for Robotic Reinforcement Learning},
author = {Manan Tomar and Akhil Sathuluri and Balaraman Ravindran},
journal= {arXiv preprint arXiv:1905.07193},
year = {2019}
}
备注
To appear in the Proceedings of the 18th International Conference on Autonomous Agents and Multiagent Systems (AAMAS 2019). (Extended Abstract)