面向强化学习的基于相关性引导的物体动力学建模
机器学习
2021-06-07 v3 人工智能
机器学习
摘要
当前的深度强化学习（RL）方法对环境融入的先验知识极少，限制了计算与样本效率。\textit{物体}提供了对世界简洁且因果性的描述，许多近期工作已提出利用针对视觉一致性等静态物体属性的先验与损失进行无监督物体表示学习。然而，物体动力学与交互同样是物体性的关键线索。本文提出一种推理物体动力学与行为以快速确定最小化且任务特定的物体表示的框架。为证明对物体行为与动力学进行推理的必要性，我们引入一套RGBD MuJoCo物体收集与规避任务，这些任务虽直观且视觉简单，却使最先进的无监督物体表示学习算法陷入困境。我们还在数款Atari游戏上凸显了该框架的潜力，使用我们的物体表示及标准RL与规划算法，比现有深度RL算法学习速度快得多。
引用
@article{arxiv.2003.01384,
title = {Relevance-Guided Modeling of Object Dynamics for Reinforcement Learning},
author = {William Agnew and Pedro Domingos},
journal= {arXiv preprint arXiv:2003.01384},
year = {2021}
}