多抽象层级上的价值迭代网络
机器人学
2019-07-02 v2 机器学习
摘要
基于学习的方法有望在不进行大量搜索（许多非学习方法所需）的情况下规划机器人运动。近来，价值迭代网络（VINs）备受关注，因为——与标准基于 CNN 的架构相反——它们学习目标导向的行为，并能很好地泛化到未知领域。然而，VINs 局限于小型低维领域，限制了其在现实世界规划问题中的适用性。为解决此问题，我们提出将 VINs 扩展到具有多抽象层级的表示。在机器人附近以足够细节表示，而表示随距机器人距离增大在空间上变得更粗。由分辨率降低引起的信息损失通过增加表示单元的特征数量来补偿。我们表明，我们的方法能够解决比原始 VIN 实现显著更大的 2D 网格世界规划任务。与不使用额外描述性特征的多分辨率由粗到细 VIN 实现相比，我们的方法能够解决具有挑战性的环境，这表明所提方法学习在额外特征中编码有用信息。作为解决现实世界规划任务的应用，我们成功地将我们的方法用于规划搜救机器人在杂乱地形中的全向行驶。
引用
@article{arxiv.1905.11068,
title = {Value Iteration Networks on Multiple Levels of Abstraction},
author = {Daniel Schleich and Tobias Klamt and Sven Behnke},
journal= {arXiv preprint arXiv:1905.11068},
year = {2019}
}