面向机器人控制的任务与领域自适应强化学习
机器人学
2024-09-20 v3 人工智能
系统与控制
系统与控制
摘要
深度强化学习（DRL）在仿真领域取得了显著成功，但其在机器人控制器设计中的应用仍然有限，原因是其单任务导向和对环境变化的适应性不足。为了克服这些限制，我们提出了一种新颖的自适应智能体，利用迁移学习技术根据不同的任务和环境条件动态调整策略。该方法通过飞艇控制挑战进行验证，其中多任务能力和环境适应性至关重要。智能体使用基于IsaacGym构建的自定义高度并行化模拟器进行训练。我们进行零样本迁移，在现实世界中驾驶飞艇解决各种任务。我们在https://github.com/robot-perception-group/adaptive_agent分享代码。
引用
@article{arxiv.2404.18713,
title = {Task and Domain Adaptive Reinforcement Learning for Robot Control},
author = {Yu Tang Liu and Nilaksh Singh and Aamir Ahmad},
journal= {arXiv preprint arXiv:2404.18713},
year = {2024}
}