基于深度强化学习的机器人抓取
机器人学
2020-07-10 v1
摘要
在这项工作中，我们提出了一种基于深度强化学习的方法，利用视觉-运动反馈来解决机器人抓取问题。使用基于深度学习的方法降低了由手工设计特征带来的复杂性。我们的方法使用离策略强化学习框架来学习抓取策略。我们使用双重深度 Q 学习框架以及一种新颖的 Grasp-Q-Network 来输出抓取概率，用于学习最大化抓取成功率的抓取动作。我们提出了一种视觉伺服机制，该机制使用多视角相机设置来观察包含感兴趣物体的场景。我们在 Baxter Gazebo 模拟环境以及实际机器人上进行了实验。结果表明，我们提出的方法优于基线 Q 学习框架，并且与单视角模型相比，通过采用多视角模型提高了抓取精度。
引用
@article{arxiv.2007.04499,
title = {Robotic Grasping using Deep Reinforcement Learning},
author = {Shirin Joshi and Sulabh Kumra and Ferat Sahin},
journal= {arXiv preprint arXiv:2007.04499},
year = {2020}
}
备注
6 pages, 6 figures, 2020 IEEE International Conference on Automation Science and Engineering (CASE)