用于 Sim-to-real 域适应的元强化学习
计算机视觉与模式识别
2019-10-01 v1 机器人学
摘要
现代强化学习方法存在样本效率低和不安全探索的问题，使得在真实硬件上完全训练机器人策略不可行。在这项工作中，我们提出通过使用元学习来训练能够适应各种动态条件的策略，并使用特定任务的轨迹生成模型来提供有助于快速探索的动作空间，以解决 sim-to-real 域迁移问题。我们通过在仿真中执行域适应并分析适应过程中潜空间的结构来评估该方法。然后我们将该策略部署在 KUKA LBR 4+ 机器人上，并评估其在将冰球击向目标任务上的性能。我们的方法比基线表现出更一致和稳定的域适应，从而带来更好的整体性能。
引用
@article{arxiv.1909.12906,
title = {Meta Reinforcement Learning for Sim-to-real Domain Adaptation},
author = {Karol Arndt and Murtaza Hazara and Ali Ghadirzadeh and Ville Kyrki},
journal= {arXiv preprint arXiv:1909.12906},
year = {2019}
}
备注
Submitted to ICRA 2020