基于神经网络、MILP 求解器与主动学习的机器人设计
人工智能
2021-02-09 v4 机器学习
机器人学
摘要
许多机器人系统及其控制器的设计核心在于求解一个受约束的黑箱优化问题。本文提出 CNMA，一种求解该问题的新方法，其在潜在昂贵的黑箱函数评估次数上较为保守；允许直接指定复杂甚至递归的约束，而非设计为难以构造的惩罚或障碍函数；并且对函数评估的不终止具有鲁棒性。CNMA 利用了神经网络逼近任意连续函数的能力、其向等价混合整数线性规划（MILP）的转换，以及借助工业级 MILP 求解器在约束下的优化。一个新的从失败中学习步骤引导学习过程与求解受约束优化问题相关。因此，学习量比在其整个定义域上学习函数所需的小数个数量级。CNMA 以若干机器人系统的设计予以说明：波浪能推进船、月球着陆器、六足机器人、cartpole、acrobot 与平行泊车。这些系统的实值维度从 6 到 36 不等。我们表明，在以函数评估次数为度量时，CNMA 超越了 Nelder-Mead、高斯与随机搜索优化方法。
引用
@article{arxiv.2010.09842,
title = {Robot Design With Neural Networks, MILP Solvers and Active Learning},
author = {Sanjai Narain and Emily Mak and Dana Chee and Todd Huster and Jeremy Cohen and Kishore Pochiraju and Brendan Englot and Niraj K. Jha and Karthik Narayan},
journal= {arXiv preprint arXiv:2010.09842},
year = {2021}
}
备注
22 pages, 8 figures