一个可解释的神经控制网络与可适应的在线学习样本高效的机器人机 locomotion学习
IEEE transactions on neural networks and learning systems
|April 15, 2025
概括
本研究介绍了用于机器人运动的中小企业适应性梯度加权在线学习 (AGOL). 这种可解释的方法显著提高了腿类机器人的样本效率和学习性能.
科学领域:
- 机器人技术 机器人技术 机器人技术
- 机器学习 机器学习
- 人工智能的人工智能
背景情况:
- 机器人运动的强化学习面临的挑战是样本效率低下和缺乏可解释性.
- 现有的方法经常作为"黑子"运作,阻碍了分析和改进.
研究的目的:
- 为机器人机动学习开发一种新,样本效率高,可解释的框架.
- 解决机器人应用中的传统强化学习的局限性.
主要方法:
- 序列运动执行器 (SME) 的介绍,这是一个可解释的三层神经网络,用于运动生成.
- 实施可适应梯度加权在线学习 (AGOL) 算法,以优先考虑相关参数更新.
- 整合中小企业和AGOL创建一个可分析的学习框架.
主要成果:
- 与最先进的方法相比,SME-AGOL实现了40%的样本减少.
- 在模拟的六足动物机器人上,最终奖励和运动性能增加了150%.
- 在从零开始的10分钟内,在物理六足动物机器人上实现了高效的学习.
结论:
- 拟议的SME-AGOL框架为机器人机动学习提供了一个样本有效和易于理解的方法.
- 学习框架中的可解释性可以被利用来提高样本效率和整体性能.
- 这项工作为机器人学中更透明,更有效的强化学习铺平了道路.
更多相关视频
11:53The Modular Design and Production of an Intelligent Robot Based on a Closed-Loop Control Strategy
Published on: October 14, 2017
11.5K
11:16Engineering Platform and Experimental Protocol for Design and Evaluation of a Neurally-controlled Powered Transfemoral Prosthesis
Published on: July 22, 2014
16.2K
