通过层次强化学习实现形态转换
三个要点
✔️从简单机器人到复杂机器人的形态转移学习
✔️分层强化学习，有效转移策略。
✔️成功让复杂机器人快速学习
Hierarchically Decoupled Imitation for Morphological Transfer
written by Donald J. Hejna III, Pieter Abbeel, Lerrel Pinto
(Submitted on 3 Mar 2020 (v1), last revised 31 Aug 2020 (this version, v2))
Comments: Accepted at ICML2020
Subjects: Machine Learning (cs.LG); Artificial Intelligence (cs.AI); Robotics (cs.RO); Machine Learning (stat.ML)
Official
介绍
我们能否将强化学习应用到现实世界，让复杂的机器人解决困难的任务？
为了实现强化学习的高性能，需要非常多的训练数据。因此，虽然在游戏或模拟器中训练强化学习代理是可能的，但在现实世界中运行一个机器人并继续训练它，直到它达到高性能是不现实的。
机器人越复杂，学习时间越长，运行成本越高，机器人本身的成本也会越高。
如果反过来想，让一个很简单的机器人在现实世界中学习，比让一个复杂的机器人学习要真实得多。
本文介绍的论文提出了一种解决这个问题的方法，提出了一种先学习移动一个结构简单的机器人，然后将这些知识转移到一个更高级的机器人上的方法。
要阅读更多。
你需要在AI-SCHOLAR注册。
或
与本文相关的类别
