DeepMind提出基于视觉的强化学习模型,十八般兵器对机器人不在话下
人类是擅于模仿的,我们和其他动物通过观察行为来模仿,理解它对环境状态的感知影响,并找出我们的身体可以采取什么行动来达到类似的结果。 对于机器人De学习任务来说,模仿学习是一个强大的工具。但在这类环境感知任务中,使用强化学习来指定一个回报函数却是很困难的。 DeepMind最新论文主要探索了仅ep从第三人称视觉模仿操作轨迹的可能性,而不依赖action状态,团队的灵感来自于一个机器人机械手模仿视觉上演示的复杂的行为。 DeepMind提Mi出的方法主要分为两个阶段: 1、提出一种操作器无关的表示(MIR, Manipulation-Independent Representations),nd即不管是机械手、人手或是其他设备,保证这种表示都能够用于后续任务的学习 2、使用强化学习来学习action策略 与操作器无关的表示 领域适应性问题是提出机器人模拟现实中最关键的问题,即解决视觉仿真和现实之间的差别。 1、 随机使用各种类型操作器,各种仿真环境用来模拟现实世界 2、加入去除操作臂后的观察 3、基于时序平滑对抗网络(TSCN, Temporally-Smooth Contrastive Networks),相比TCN来说,在softmax交叉熵目标函视觉数中增加了一个分布系数p,使得学习过程更加平滑,尤其是在cross-domain的情况。 使用强化学习 MIR表示空间的需求是actionable的,的强即可用于强化学习,表示为具体的action。 一个解决方案是使用goal-conditioned来训练策略,输入为当前状态o和目标状态g。这篇文章提出化学一种扩展方式,cross-domain goal-conditional policies,输入当前状态o和跨域的目标状态o',最小化到达目标的习模行动次数。 数据和实验 研究小组在8个环境和场景(规范模拟、隐形手臂、随机手臂、随机域、Jaco Hand、真机器人、手杖和人手)上进行了实验,以评估型,通过未知机械手模拟无约束操作轨迹的性能。 他们还用了一些基线方法,如朴素的goal conditioned plicies (GCP)和temporal di十八stance。 MIR 在所有测试领域都取得了最好的性能。它在叠加成功率方面的表现显著提高,并且以100% 的分数很好地模仿了模拟的 Jaco Hand 和 In般兵visible Arm。 这项研究论证了视觉模仿表征在视觉模仿中的重要性,并验证了操作无关表征在视觉模仿中的成功应用。 未来工厂中的机器人将拥有更强大的学习器对能力,并不局限于一种特定工具,一种特定任务。
- 最近发表
- 随机阅读
-
- 标签: 百度搜索Skill ClawHub OpenClaw 龙虾家族
- 多元开放 持续进化 新华三重磅发布多款智算新品
- 标签: 小米集团 小米汽车 手机×AIoT 智能电动汽车
- 食草动物有哪些
- 标签: 小米 卢伟冰 米家中央空调
- 十多款Redis容器化技术选型对比,K8S并非万金油
- 苹果企业AI管控新招!不只ChatGPT,为所有外部AI服务商留后门
- 标签: Anthropic Claude GIC 红杉资本
- 商汤AI视频Agent Seko用户突破10万,AI创作进入“一站式”新阶段
- 标签: 欣旺达 威睿 吉利 电芯
- 标签: 魔形智能
- 标签: 舜宇智行 车载光学 智能感知 智能座舱
- 标签: 三星电子 半导体绩效奖 劳资谈判 工会投票
- 标签: 高德 袋马 VibeCoding 微信小程序
- 搞定大模型“健忘症”:华为大牛深圳创业,MemoraX AI 获千万美元融资
- 标签: 安世半导体 荷兰安世 东莞ATGD 供应链
- 用 Python 轻松实现机器学习
- 标签: 华为 诺亚方舟实验室 盘古大模型 王云鹤
- 云计算核心技术Docker教程:Java镜像使用标签
- 标签: 一起教育科技 YQ 在线教育
- 搜索
-
- 友情链接