RoboKoop：基于Koopman算子从视觉输入中学习机器人高效控制条件化表示
机器人学
2024-09-06 v1 机器学习
系统与控制
系统与控制
摘要
开发能够从高维观测中执行复杂控制任务的智能体是自主智能体的核心能力，这需要底层鲁棒的任务控制策略并使底层视觉表示适应任务。大多数现有策略需要大量训练样本，并通过在预训练视觉模型之上学习控制器的两阶段学习视角来处理此问题。我们从Koopman理论的视角处理此问题，并在为智能体学习稳定控制的背景下，学习以特定下游任务为条件的来自机器人智能体的视觉表示。我们引入了对比谱Koopman嵌入网络，该网络允许我们在高维潜在空间中从智能体的视觉数据中学习高效的线性化视觉表示，并利用强化学习在提取的表示之上使用线性控制器执行离策略控制。我们的方法增强了梯度动力学随时间的稳定性和控制性，通过在长周期内提高学习任务策略的效率和准确性，显著优于现有方法。
引用
@article{arxiv.2409.03107,
title = {RoboKoop: Efficient Control Conditioned Representations from Visual Input in Robotics using Koopman Operator},
author = {Hemant Kumawat and Biswadeep Chakraborty and Saibal Mukhopadhyay},
journal= {arXiv preprint arXiv:2409.03107},
year = {2024}
}
备注
Accepted to the $8^{th}$ Conference on Robot Learning (CoRL 2024)