通过深度规划域学习从像素实现可迁移任务执行
机器人学
2020-03-10 v1 机器学习
摘要
尽管机器人可以从原始视觉输入学习模型以解决许多操作任务，但它们通常无法利用这些模型解决新问题。另一方面，诸如 STRIPS 之类的符号规划方法长期以来仅给定域定义和符号目标就能解决新问题，但这些方法由于在部分可观测世界中从传感器数据对符号进行落地（grounding）的困难，常常在真实世界机器人任务上表现不佳。我们提出深度规划域学习（DPDL），一种结合两种方法优势以学习分层模型的方法。DPDL 学习一个高层模型，预测由当前符号世界状态构成的大量逻辑谓词的值，并分别学习一个低层策略，将符号算子转化为机器人上可执行的动作。这使我们能够执行复杂的多步任务，即使机器人未被显式训练过这些任务。我们在照片级真实感的厨房场景中的操作任务上展示了我们的方法。
引用
@article{arxiv.2003.03726,
title = {Transferable Task Execution from Pixels through Deep Planning Domain Learning},
author = {Kei Kase and Chris Paxton and Hammad Mazhar and Tetsuya Ogata and Dieter Fox},
journal= {arXiv preprint arXiv:2003.03726},
year = {2020}
}
备注
7 pages, 6 figures. Conference paper accepted in International conference on Robotics and Automation (ICRA) 2020