面向多任务强化学习的投影任务特定层
机器学习
2024-03-07 v2 人工智能
机器人学
摘要
多任务强化学习可使机器人在家庭和工作场所中跨多种操作任务进行扩展。然而，从一个任务到另一个任务的泛化以及缓解负任务干扰仍是一项挑战。通过跨任务成功共享信息来应对该挑战，取决于对任务底层结构的捕捉程度。本工作中，我们提出新架构——投影任务特定层（PTSL），其利用带有通过任务特定层实现的稠密任务特定修正的通用策略，以更好地表达共享与可变任务信息。随后我们展示，在由 10 个和 50 个面向 Sawyer 机械臂的目标条件任务组成的 Meta-World 的 MT10 和 MT50 基准上，我们的模型优于当前最优方法。
引用
@article{arxiv.2309.08776,
title = {Projected Task-Specific Layers for Multi-Task Reinforcement Learning},
author = {Josselin Somerville Roberts and Julia Di},
journal= {arXiv preprint arXiv:2309.08776},
year = {2024}
}