用于高效机器人操作技能获取的触觉主动推断强化学习
机器人学
2023-11-21 v1 人工智能
摘要
机器人操作有潜力替代人类执行繁琐或危险任务。然而，基于控制的方法因难以形式化描述现实开放世界操作及现有学习方法效率低而不适用。因此，在广泛场景中应用操作面临重大挑战。本研究提出一种称为触觉主动推断强化学习（Tactile-AIRL）的机器人操作技能学习新方法，旨在实现高效训练。为提升强化学习（RL）性能，我们引入主动推断，将基于模型的技术与内在好奇心整合进RL过程。该整合改善了算法的训练效率及对稀疏奖励的适应性。此外，我们利用基于视觉的触觉传感器为操作任务提供细致感知。最后，我们采用基于模型的方法通过自由能最小化来想象并规划恰当动作。仿真结果表明，我们的方法在非抓取物体推动任务中取得显著高训练效率，使智能体仅经少量交互回合即在稠密与稀疏奖励任务中表现出色，超越SAC基线。进一步，我们利用该方法在夹持器拧螺丝任务上开展实物实验，展示了算法快速学习能力与实用潜力。
引用
@article{arxiv.2311.11287,
title = {Tactile Active Inference Reinforcement Learning for Efficient Robotic Manipulation Skill Acquisition},
author = {Zihao Liu and Xing Liu and Yizhai Zhang and Zhengxiong Liu and Panfeng Huang},
journal= {arXiv preprint arXiv:2311.11287},
year = {2023}
}