利用隐式行为克隆与动态运动基元促进机器人运动规划的强化学习
机器人学
2024-08-20 v2 机器学习
摘要
用于多自由度机器人运动规划的强化学习（RL）仍存在训练速度慢和泛化性差导致的低效问题。本文提出了一种新颖的基于RL的机器人运动规划框架，利用隐式行为克隆（IBC）和动态运动基元（DMP）来提升离策略RL智能体的训练速度和泛化性。IBC利用人类演示数据来提升RL的训练速度，DMP作为一种启发式模型将运动规划转移到更简单的规划空间。为此，我们还通过拾放实验创建了一个可用于类似研究的人类演示数据集。仿真中的对比研究揭示了所提方法相对于传统RL智能体的优势，具有更快的训练速度和更高的得分。真实机器人实验表明了所提方法在简单装配任务上的适用性。我们的工作为利用运动基元与人类演示来提升RL在机器人应用中的性能提供了新颖视角。
引用
@article{arxiv.2307.16062,
title = {Using Implicit Behavior Cloning and Dynamic Movement Primitive to Facilitate Reinforcement Learning for Robot Motion Planning},
author = {Zengjie Zhang and Jayden Hong and Amir Soufi Enayati and Homayoun Najjaran},
journal= {arXiv preprint arXiv:2307.16062},
year = {2024}
}