基于有限支撑基函数的实时去中心化强化学习
机器人学
2017-06-22 v1 人工智能
摘要
本文探讨了涉及多维动作空间的复杂强化学习(Reinforcement Learning, RL)行为的设计与实现，以及需要使用计算资源和训练时间受限的机器人平台实时执行这些行为的需求。为此，我们提出使用去中心化 RL，并结合有限支撑基函数作为高斯 RBF 的替代方案，以分别缓解维度灾难对动作和状态空间的影响，并减少计算时间。作为测试平台，采用了用于 NAO 机器人行走中踢球(in-walk kick)的基于 RL 的控制器，这是足球机器人学中一个具有挑战性且关键的问题。报告的实验经验性地表明，与经典方法相比，我们的解决方案在执行期间节省了高达 99.94% 的执行时间和 98.82% 的内存消耗，且性能未降低。
引用
@article{arxiv.1706.06695,
title = {Toward Real-Time Decentralized Reinforcement Learning using Finite Support Basis Functions},
author = {Kenzo Lobos-Tsunekawa and David L. Leottau and Javier Ruiz-del-Solar},
journal= {arXiv preprint arXiv:1706.06695},
year = {2017}
}
备注
Accepted in the RoboCup Symposium 2017. Final version will be published at Springer