极小极大迭代动态博弈：在非线性机器人控制任务中的应用
机器人学
2018-08-07 v7
摘要
多阶段决策策略在高维状态空间中提供了有用的控制策略，特别是在复杂的控制任务中。然而，在存在干扰、模型失配或模型不确定性的情况下，它们表现出较弱的性能保证。这种脆弱性限制了它们在高风险场景中的使用。我们展示了如何量化此类策略的敏感性，以告知其鲁棒性能力。我们还提出了一种极小极大迭代动态博弈框架，用于在存在干扰/不确定性的情况下设计鲁棒策略。我们在精心设计的深度神经网络策略上测试了量化假设；随后我们提出了一个极小极大迭代动态博弈（iDG）框架，用于在存在对抗性干扰时提高策略的鲁棒性。我们在一个麦克纳姆轮机器人上评估了我们的 iDG 框架，其目标是找到一个局部鲁棒的最优多阶段策略，以实现给定的到达目标的任务。该算法简单且适应性强，可用于设计对干扰、模型失配或模型不确定性具有鲁棒性的元学习/深度策略，直至一个干扰界限。结果视频可在作者网站上找到，http://ecs.utdallas.edu/~opo140030/iros18/iros2018.html，而用于复现我们实验的代码在 github 上，https://github.com/lakehanne/youbot/tree/rilqg。用于复现我们结果的自包含环境在 docker 上，https://hub.docker.com/r/lakehanne/youbotbuntu14/
引用
@article{arxiv.1710.00491,
title = {Minimax Iterative Dynamic Game: Application to Nonlinear Robot Control Tasks},
author = {Olalekan Ogunmolu and Nicholas Gans and Tyler Summers},
journal= {arXiv preprint arXiv:1710.00491},
year = {2018}
}
备注
2018 International Conference on Intelligent Robots and Systems