与双臂机器人进行反事实多代理增强学习,用于长期医疗辅助任务

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
• 医疗保健技术 技术 医疗保健 技术

背景情况:

• 双臂机器人显示出医疗援助的希望,但在复杂的,连续的任务中扎.
• 多代理互动和长期规划对当前的机器人智能构成重大挑战.

研究的目的:

• 为医疗辅助任务开发先进的双臂机器人智能.
• 通过强化学习来应对多代理互动和长期行动中的挑战.

主要方法:

• 引入了反事实多代理演示增强政策梯度 (COMA-DAPG),一种新的多代理强化学习方法.
• 集成了一个反事实批评网络和示范增强的政策梯度 (DAPG),具有三个奖励功能.

主要成果:

• 与COMA和DAPG相比,COMA-DAPG表现优越.与COMA和DAPG相比,COMA-DAPG表现优越.
• 在三个长时间的医疗任务中,平均成功率提高了25%以上.

结论:

• 在双臂机器人中,COMA-DAPG有效地解决了信用分配,梯度偏差和碰撞避免问题.
• 能够准确,协同执行复杂的医疗任务,提高临床可靠性和效率.