PlasticineLab：基于可微物理的软体操作基准
机器学习
2021-04-08 v1 人工智能
计算机视觉与模式识别
图形学
机器人学
摘要
模拟虚拟环境是开发和评估技能学习算法的主要驱动力之一。然而，现有环境通常仅模拟刚体物理。此外，模拟过程通常并不提供可能对规划与控制优化有用的梯度。我们引入了一个名为 PlasticineLab 的新型可微物理基准，其包含多种软体操作任务集合。在每个任务中，智能体使用操纵器将橡皮泥变形为期望构型。底层物理引擎使用 DiffTaichi 系统支持可微的弹性与塑性变形，对机器人智能体提出了许多尚未充分探索的挑战。我们在此基准上评估了几种现有的强化学习（RL）方法与基于梯度的方法。实验结果表明：1) 基于 RL 的方法难以高效求解大多数任务；2) 基于梯度的方法通过内置可微物理引擎优化开环控制序列，能在数十次迭代内快速找到解，但在需要长期规划的多阶段任务上仍力有不逮。我们期望 PlasticineLab 将促进结合可微物理与 RL 的新型算法开发，以应对更复杂的基于物理的技能学习任务。
引用
@article{arxiv.2104.03311,
title = {PlasticineLab: A Soft-Body Manipulation Benchmark with Differentiable Physics},
author = {Zhiao Huang and Yuanming Hu and Tao Du and Siyuan Zhou and Hao Su and Joshua B. Tenenbaum and Chuang Gan},
journal= {arXiv preprint arXiv:2104.03311},
year = {2021}
}
备注
Accepted to ICLR 2021 as a spotlight presentation. Project page: http://plasticinelab.csail.mit.edu/