使用 LSTM 自编码器在动态环境中顺序学习运动预测
机器学习
2018-10-15 v1 计算机视觉与模式识别
机器人学
机器学习
摘要
在学习智能体的动作与场景动态相互作用时预测物体运动，仍是机器人学中的关键挑战。我们提出了一种多层长短期记忆（LSTM）自编码器网络，用于预测在含移动障碍物的动态环境中导航的机器人的未来帧。该自编码器网络由一个状态和动作条件化的解码器网络组成，其基于智能体所采取的动作重建视频的未来帧。输入图像帧首先通过预训练编码器网络转换为低维特征向量，然后由 LSTM 自编码器网络重建以生成未来帧。基于 OpenAi-Gym 机器人框架的虚拟环境用于收集训练数据并测试所提网络。初步实验显示出有前景的结果，表明这些预测帧未来可被适当的强化学习框架用于绕开动态障碍物导航。
引用
@article{arxiv.1810.05394,
title = {Sequential Learning of Movement Prediction in Dynamic Environments using LSTM Autoencoder},
author = {Meenakshi Sarkar and Debasish Ghose},
journal= {arXiv preprint arXiv:1810.05394},
year = {2018}
}
备注
4 pages