面向多目标 Sim-to-Real 学习的整体式与混合式控制器比较
机器人学
2021-08-18 v1 人工智能
摘要
仿真到实境（Sim-to-Real）是一种有吸引力的构建机器人任务控制器的方法，这类任务易于仿真而难以解析求解。已证实可行的 Sim-to-Real 方案针对具有明确单一目标（如“到达目标”）的任务。然而，现实应用常包含多个同时存在的目标，例如“到达目标”但“避开障碍物”。在强化学习（RL）背景下一种直接的方案是将多个目标组合为多术语奖励函数并训练单一整体式控制器。近来，一种基于预训练单目标控制器及其间切换规则的混合方案被提出。本工作中，我们在机械臂到达目标同时避开障碍物的多目标设定下比较这两种方法。我们的结果表明，混合式控制器的训练更易进行，并且比整体式控制器获得更好的成功-失败权衡。在仿真器中训练的控制器通过真实装置进行了验证。
引用
@article{arxiv.2108.07514,
title = {Monolithic vs. hybrid controller for multi-objective Sim-to-Real learning},
author = {Atakan Dag and Alexandre Angleraud and Wenyan Yang and Nataliya Strokina and Roel S. Pieters and Minna Lanz and Joni-Kristian Kamarainen},
journal= {arXiv preprint arXiv:2108.07514},
year = {2021}
}
备注
IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), 2021