基于深度强化学习的非抓取式操作重排
机器人学
2018-09-21 v1 人工智能
机器学习
摘要
通过非抓取式操作在桌面上重排物体是一项需要与物理世界熟练交互的任务。通常，这通过精确建模物体、机器人与环境的物理属性以进行显式规划来实现。相反，由于显式建模物理环境并非总是可行且涉及各种不确定性，我们基于仅有的视觉反馈，利用深度强化学习来学习一种非抓取式重排策略。为此，我们用奖励对任务建模并训练一个深度 Q 网络。我们基于势场的启发式探索策略减少了导致次优结果的碰撞数量，并且我们主动平衡训练集以避免偏向劣质样本。与均匀探索和标准经验回放相比，我们的训练过程学习更快且在任务上性能更优。我们通过仿真中的经验证据表明，我们的方法成功率达 85%，展示系统可应对环境的突变，并将我们的性能与人类水平表现进行比较。
引用
@article{arxiv.1803.05752,
title = {Rearrangement with Nonprehensile Manipulation Using Deep Reinforcement Learning},
author = {Weihao Yuan and Johannes A. Stork and Danica Kragic and Michael Y. Wang and Kaiyu Hang},
journal= {arXiv preprint arXiv:1803.05752},
year = {2018}
}
备注
2018 International Conference on Robotics and Automation