用于仿真中机器人学习的随机接地动作变换
机器人学
2020-08-05 v1
摘要
在仿真中学习的机器人控制策略往往不能很好地迁移到真实世界。许多针对这一仿真到现实问题的现有方案，如接地动作变换（GAT）算法，试图通过将仿真器匹配到真实世界来纠正或接地这些差异。然而，如果这些方法没有明确考虑目标环境中的随机性，其效果就会受限。在本文中，我们分析了将确定性仿真器接地到随机真实世界环境时所关联的问题，并给出了由于目标域中的随机转移导致 GAT 未能迁移出优良策略的实例。对此，我们提出随机接地动作变换（SGAT）算法，该算法在接地仿真器时对这种随机性进行建模。我们在仿真和物理目标域中通过实验发现，SGAT 能够找到对目标域中随机性具有鲁棒性的策略。
引用
@article{arxiv.2008.01281,
title = {Stochastic Grounded Action Transformation for Robot Learning in Simulation},
author = {Siddharth Desai and Haresh Karnan and Josiah P. Hanna and Garrett Warnell and Peter Stone},
journal= {arXiv preprint arXiv:2008.01281},
year = {2020}
}
备注
Accepted at 2020 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS) 2020