ROLL：具有物体推理的视觉自监督强化学习
机器学习
2020-11-16 v1 机器人学
摘要
当前基于图像的强化学习（RL）算法通常在不进行物体级推理的情况下对整个图像操作。这导致低效的目标采样与无效的奖励函数。本文中，我们通过引入物体级推理与遮挡推理来改进既往视觉自监督 RL。具体而言，我们使用未知物体分割来忽略场景中的干扰物，以更好地计算奖励并生成目标；我们进一步通过采用一种新颖的辅助损失与训练方案来实现遮挡推理。我们证明，所提算法 ROLL（具有物体级学习的强化学习）在若干模拟视觉控制任务中相比既往方法学习速度快得多且取得更好的最终性能。项目视频与代码见 https://sites.google.com/andrew.cmu.edu/roll。
引用
@article{arxiv.2011.06777,
title = {ROLL: Visual Self-Supervised Reinforcement Learning with Object Reasoning},
author = {Yufei Wang and Gautham Narayan Narasimhan and Xingyu Lin and Brian Okorn and David Held},
journal= {arXiv preprint arXiv:2011.06777},
year = {2020}
}
备注
CoRL 2020. The first two authors contributed equally. Project video and code are available at https://sites.google.com/andrew.cmu.edu/roll