基于深度强化学习的真实流体定向刚体控制
机器人学
2024-02-12 v1 机器学习
摘要
近期在现实世界强化学习应用方面的进展，依赖于对系统进行大规模精准模拟的能力。然而，诸如流体动力学系统等领域存在复杂的动态现象，难以在高积分率下进行高精度模拟，这限制了现代深度强化学习算法直接应用于往往昂贵或涉及安全的硬件设备。本文引入了"盒中流"(Box o Flows)，一个用于系统性评估动态真实场景下强化学习算法的台式实验控制系统。我们描述了盒中流的关键组件，并通过一系列实验表明，最新的无模型强化学习算法可通过简单的奖励规范合成多种复杂行为。此外，我们探索了离线强化学习在数据高效假设检验中的作用，通过复用过往经验来实现。我们认为，本初步研究所获的见解以及此类系统的可用性，为开发可广泛应用于复杂动态系统的系统性强化学习算法指明了前进之路。补充材料和实验视频已提供于 https://sites.google.com/view/box-o-flows/home。
引用
@article{arxiv.2402.06102,
title = {Real-World Fluid Directed Rigid Body Control via Deep Reinforcement Learning},
author = {Mohak Bhardwaj and Thomas Lampe and Michael Neunert and Francesco Romano and Abbas Abdolmaleki and Arunkumar Byravan and Markus Wulfmeier and Martin Riedmiller and Jonas Buchli},
journal= {arXiv preprint arXiv:2402.06102},
year = {2024}
}