通过非对称架构降低深度强化学习智能体部署时推理控制成本
人工智能
2021-06-01 v1 机器人学
摘要
深度强化学习(DRL)已在若干具有挑战性的决策与控制任务中展现出有前景的结果。然而,深度神经网络(DNN)所需的推理成本可能阻碍 DRL 应用于无法负担高能耗计算的移动机器人。为使 DRL 方法能在这种能量受限平台上负担得起,我们提出一种非对称架构,通过在高计算开销策略与低成本策略之间切换来降低整体推理成本。在多个具代表性的机器人控制任务基准套件上的实验结果表明,我们的方法能够在保持智能体整体性能的同时降低推理成本。
引用
@article{arxiv.2105.14471,
title = {Reducing the Deployment-Time Inference Control Costs of Deep Reinforcement Learning Agents via an Asymmetric Architecture},
author = {Chin-Jui Chang and Yu-Wei Chu and Chao-Hsien Ting and Hao-Kang Liu and Zhang-Wei Hong and Chun-Yi Lee},
journal= {arXiv preprint arXiv:2105.14471},
year = {2021}
}