具有变长输入的机器人学习从仿真到现实的迁移
机器学习
2019-10-10 v2 机器学习
摘要
当前端到端的深度强化学习（RL）方法需要从非常稀疏的奖励信号和高维输入中联合学习感知、决策和低层控制，且几乎不具备融入先验知识的能力。这导致在真实世界机器人任务上的训练时间过长而难以使用。现有能够从高维输入（例如目标检测）提取任务级表示的算法常产生变长输出，由于神经网络需要定长输入，限制了其在 RL 方法中的使用。在本工作中，我们提出一个框架，将允许变长抽象表示的深度集编码与利用这些表示的模块化 RL 相结合，使高层决策与低层控制解耦。我们在目标排序的机器人操作任务上成功演示了我们的方法，表明该方法可在极简化的仿真中仅用几分钟学习到有效策略。学到的策略可直接部署于机器人而无需进一步训练，并能泛化到训练期间未见的任务变体。
引用
@article{arxiv.1809.07480,
title = {Sim-to-Real Transfer of Robot Learning with Variable Length Inputs},
author = {Vibhavari Dasagi and Robert Lee and Serena Mou and Jake Bruce and Niko Sünderhauf and Jürgen Leitner},
journal= {arXiv preprint arXiv:1809.07480},
year = {2019}
}