面向不可逆事件的鲁棒策略学习：在机器人手中操作中的应用
机器人学
2019-11-21 v1 人工智能
机器学习
摘要
在本函中，我们提出一种在存在不可逆事件的情况下，使用低成本、欠驱动假手学习手中操作技能的方法。我们的方法将基于视觉感知的强化学习与基于触觉感知的底层反应控制相结合，旨在避免滑落。强化学习层面的目标不仅在于完成手中操作任务，还在于最小化触觉反应控制的干预。由此，我们将学习过程中发生的物体滑落视为不可逆事件，其发生显著减少。当不可逆事件发生时，学习过程被视为失败。我们在两项任务中展示了性能，即仅使用手指重新定向杯子和瓶子。实验结果表明，所提出的架构能够在笛卡尔空间中达成目标，并显著减少学习过程中物体滑落的发生。此外，若无所提出的反应控制与强化学习之间的协同，则无法避免不可逆事件，因而也无法学习任务。
引用
@article{arxiv.1911.08927,
title = {On Policy Learning Robust to Irreversible Events: An Application to Robotic In-Hand Manipulation},
author = {Pietro Falco and Abdallah Attawia and Matteo Saveriano and Dongheui Lee},
journal= {arXiv preprint arXiv:1911.08927},
year = {2019}
}