基于图零样本强化学习的定位不确定性下自主探索
机器人学
2021-05-12 v1 人工智能
机器学习
摘要
本文研究配备3D距离感知的移动机器人在定位不确定性下的自主探索问题。我们提出一种在单一仿真环境中自学习高性能探索策略，并将其迁移到其他环境（可能是物理或虚拟的）的框架。迁移学习近期工作通过域适应与域随机化使智能体暴露于填补sim2sim与sim2real方法固有差距的场景，取得了令人鼓舞的性能。然而，在随机化条件环境中训练智能体以学习其当前状态的重要特征效率低下。智能体可利用人类专家提供的领域知识高效学习。我们提出一种新方法，将图神经网络与深度强化学习结合，使得智能体能在包含人类专家提供的相关探索信息的图上进行决策，以预测机器人在置信空间中的最优感知动作。该策略仅在单一仿真环境中训练，提供了实时、可扩展且可迁移的决策策略，实现了对其他仿真环境乃至真实世界环境的零样本迁移。
引用
@article{arxiv.2105.04758,
title = {Zero-Shot Reinforcement Learning on Graphs for Autonomous Exploration Under Uncertainty},
author = {Fanfei Chen and Paul Szenher and Yewei Huang and Jinkun Wang and Tixiao Shan and Shi Bai and Brendan Englot},
journal= {arXiv preprint arXiv:2105.04758},
year = {2021}
}