基于深度潜在高斯过程动力学从图像进行规划
机器学习
2020-05-11 v1 计算机视觉与模式识别
机器学习
摘要
规划是解决已知环境动力学控制问题的一种强大方法。在未知环境中，智能体需要学习系统动力学模型以使规划成为可能。当底层状态只能通过图像间接观测时，这尤其具有挑战性。我们提出学习一种深度潜在高斯过程动力学（DLGPD）模型，该模型从具有视觉观测的环境交互中学习低维系统动力学。该方法利用神经网络从观测中推断潜在状态表示，并使用高斯过程在学习的潜在空间中对系统动力学进行建模。通过优化图像空间中转移似然的下界，可以对模型的所有部分进行联合训练。我们在摆杆起摆任务上评估了所提出的方法，同时使用学习到的动力学模型在潜在空间中进行规划以解决控制问题。我们还证明了我们的方法能够仅从几次展开中快速使训练好的智能体适应系统动力学的变化。我们将我们的方法与最先进的纯深度学习方法进行了比较，并展示了将高斯过程与深度学习相结合在数据效率和迁移学习方面的优势。
引用
@article{arxiv.2005.03770,
title = {Planning from Images with Deep Latent Gaussian Process Dynamics},
author = {Nathanael Bosch and Jan Achterhold and Laura Leal-Taixé and Jörg Stückler},
journal= {arXiv preprint arXiv:2005.03770},
year = {2020}
}
备注
Accepted for publication at the 2nd Annual Conference on Learning for Dynamics and Control (L4DC) 2020, with supplementary material. First two authors contributed equally