面向世界模型极小实现的基于改进q-VAE的稀疏表示学习
机器学习
2023-07-04 v1 机器人学
摘要
从高维观测数据中提取低维潜空间,对于在提取的潜空间上构建带世界模型的实时机器人控制器至关重要。然而,目前尚无自动调整潜空间维数的既定方法,难以找到必要且充分的维数,即世界模型的极小实现。本研究分析并改进了基于Tsallis的变分自编码器(q-VAE),揭示在适当配置下它总能促使潜空间变得稀疏。即使预先指定的潜空间维数相比极小实现冗余,这种稀疏化也会使不必要的维度坍缩,从而便于将其移除。我们通过实验验证了所提方法的稀疏化优势:它能轻松找到移动机械臂到达任务所需的必要且充分的六维(该任务需要六维状态空间)。此外,通过在提取维度上学到的此类极小实现世界模型进行规划,所提方法能够实时施加更优的动作序列,将到达完成任务时间缩短约20%。附件视频已上传至youtube:https://youtu.be/-QjITrnxaRs
引用
@article{arxiv.2208.03936,
title = {Sparse Representation Learning with Modified q-VAE towards Minimal Realization of World Model},
author = {Taisuke Kobayashi and Ryoma Watanuki},
journal= {arXiv preprint arXiv:2208.03936},
year = {2023}
}
备注
28 pages, 17 figures