TuneNet：用于系统辨识与仿真到真实机器人任务迁移的一次性残差调谐
机器人学
2020-02-17 v3
摘要
随着研究者教导机器人执行愈发复杂的任务，对逼真仿真环境的需求日益增长。现有通过逼近真实世界物理来缩小现实差距的技术通常需要大量真实世界数据和/或数千次仿真采样。本文提出 TuneNet，一种基于机器学习的新方法，使用*迭代残差调谐*技术直接调谐一个模型的参数以匹配另一个模型。TuneNet 利用来自目标的一次观测和最少仿真来估计两模型间的参数差异，从而实现快速、准确且样本高效的参数估计。该系统可通过在自动生成的仿真数据集上进行监督学习来训练。我们展示 TuneNet 能够执行系统辨识，即便真实参数值远超出训练中所见分布；并证明经 TuneNet 调谐的仿真器在预测刚体运动方面优于现有技术。最后，我们展示本方法可估计真实世界参数值，使机器人能在训练未见的动态操纵任务上实现仿真到真实（sim-to-real）的任务迁移。代码与视频可在 http://bit.ly/2lf1bAw 在线获取。
引用
@article{arxiv.1907.11200,
title = {TuneNet: One-Shot Residual Tuning for System Identification and Sim-to-Real Robot Task Transfer},
author = {Adam Allevato and Elaine Schaertl Short and Mitch Pryor and Andrea L. Thomaz},
journal= {arXiv preprint arXiv:1907.11200},
year = {2020}
}
备注
Published at CoRL 2019