基于强化学习与示教训练的工业装配鲁棒多模态策略：一项大规模研究
人工智能
2021-08-03 v4 机器人学
摘要
过去几年中，针对基于学习的工业装配方法已有相当的研究投入，但尽管取得了显著进展，这些技术尚未被工业界采用。我们认为，真正导致这一采用缺失的原因在于深度强化学习（DRL）过于庞大的设计空间，而非算法局限本身。将这些技术推入工业主流需要一种面向工业的范式，其与学术心态有显著差异。本文中，我们定义了面向工业的 DRL 准则，并依据这些准则对一类学习方法——从示教中进行的 DRL——与近期建立的 NIST 装配基准上的专业工业集成商进行了彻底比较。我们解释了代表数年探索的设计选择，其使我们的 DRL 系统在速度与可靠性上持续优于集成商基线。最后，我们以我们的 DRL 系统与人类在随机移动目标插入挑战任务上的竞赛作结。本研究表明，DRL 不仅能够超越既有的工程化方法，也能超越人类运动系统，且仍存在显著的改进空间。视频可于我们的项目网站查看：https://sites.google.com/view/shield-nist。
引用
@article{arxiv.2103.11512,
title = {Robust Multi-Modal Policies for Industrial Assembly via Reinforcement Learning and Demonstrations: A Large-Scale Study},
author = {Jianlan Luo and Oleg Sushkov and Rugile Pevceviciute and Wenzhao Lian and Chang Su and Mel Vecerik and Ning Ye and Stefan Schaal and Jon Scholz},
journal= {arXiv preprint arXiv:2103.11512},
year = {2021}
}
备注
RSS 2021