在神经机器人平台中利用强化学习解决机器人到达任务
机器人学
2025-05-21 v1
摘要
近年来，强化学习（RL）在游戏或机器人等定义明确的环境中解决问题展现出巨大潜力。本文旨在解决运行于神经机器人平台（NRP）仿真中的机器人到达任务。目标位置随机初始化，机器人具有 6 个自由度。我们比较了多种最先进的免模型算法的性能。首先，智能体在仿真的真值数据上训练，以仅通过一次连续运动到达目标位置。随后，通过使用来自仿真环境的图像数据作为输入，增加了任务的复杂度。实验结果表明，采用适当的动态训练调度函数进行课程学习，可提升训练效率与结果。
引用
@article{arxiv.2210.17138,
title = {Reinforcement Learning for Solving Robotic Reaching Tasks in the Neurorobotics Platform},
author = {Marton Szep and Leander Lauenburg and Kevin Farkas and Xiyan Su and Chuanlong Zang},
journal= {arXiv preprint arXiv:2210.17138},
year = {2025}
}
备注
Poster presentation at 6th HBP Student Conference 2022, 10 pages, 7 figures