SAM-RL：基于可微物理仿真与渲染的感知感知模型驱动强化学习
机器人学
2023-05-24 v3 人工智能
计算机视觉与模式识别
机器学习
摘要
基于模型的强化学习（MBRL）被认为具有比无模型强化学习显著更高的样本效率潜力。如何从原始感官输入（如图像）中自动且高效地构建准确的模型，尤其是在复杂环境和任务中，是阻碍MBRL在现实世界广泛应用的一个挑战性问题。在本工作中，我们提出了一种名为SAM-RL的感知感知模型驱动强化学习系统。利用可微物理仿真与渲染，SAM-RL通过比较渲染图像与真实原始图像自动更新模型，并高效地生成策略。借助感知感知学习流程，SAM-RL允许机器人选择信息丰富的视角来监控任务过程。我们将该框架应用于真实世界实验，以完成三个操作任务：机器人装配、工具操作和可变形物体操作。我们通过大量实验证明了SAM-RL的有效性。视频可在我们的项目网页 https://sites.google.com/view/rss-sam-rl 上获取。
引用
@article{arxiv.2210.15185,
title = {SAM-RL: Sensing-Aware Model-Based Reinforcement Learning via Differentiable Physics-Based Simulation and Rendering},
author = {Jun Lv and Yunhai Feng and Cheng Zhang and Shuang Zhao and Lin Shao and Cewu Lu},
journal= {arXiv preprint arXiv:2210.15185},
year = {2023}
}
备注
Accepted to Robotics: Science and Systems (RSS) 2023