学习适应性伸手和推动技能,使用联系信息.
Shuaijun Wang1, Lining Sun1, Fusheng Zha1
1State Key Laboratory of Robotics and System, Harbin Institute of Technology, Harbin, China.
Frontiers in neurorobotics
|October 2, 2023
概括
本研究介绍了一个深度强化学习框架,用于机器人物体推. 该方法通过将联系信息纳入奖励函数来提高成功率和对新对象的概括性.
科学领域:
- 机器人技术 机器人技术 机器人技术
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 机器人对物体进行操纵是一项具有挑战性的任务,特别是对于看不见的物品.
- 开发适应性控制政策持续操纵仍然是一个活跃的研究领域.
研究的目的:
- 提出一个深度强化学习 (DRL) 框架,用于对象推进任务中的自适应机器人控制.
- 为了提高成功率和一般化能力,从随机位置推出看不见的物体.
主要方法:
- 基于DRL的框架被开发用于自适应和连续的机器人控制.
- 联系信息被整合到奖励功能设计中.
- 通过使用模拟中单个对象的强化学习来学习政策.
- 学习的政策被测试了对未见的对象的概括.
主要成果:
- 与不使用联系信息的方法相比,拟议的方法显示了更好的成功率和任务效率.
- 学习的政策显示出对未见对象的良好概括.
- 该框架的有效性在现实场景中得到了验证.
结论:
- 将联系信息集成到DRL奖励功能中,可以提高机器人物体推进性能.
- 开发的DRL框架为适应性操纵和对新型对象的概括提供了一个强大的解决方案.


