ICLRMar, 2017

利用强化学习学习不变特征空间进行技能转移

PDF
TL;DR本文介绍了一个强化学习算法，用于在不同形态的机器人中传递知识并实现多种技能的学习。模拟实验结果表明，我们可以在不同连接数和肌腱驱动和扭矩驱动机器人的模拟环境中传递知识和技能。
reinforcement learningtransfer learningrobotic manipulationsimulated armsinvariant feature spaces
发现论文，激发创造
  • 接触丰富操作中的强化学习知识迁移

    本文介绍了一种基于多个技能先验的强化学习方法，通过学习每个任务所需技能的先验分布，并将任务的相似性与先前的任务进行比较，以指导在新任务上学习策略，从而更好地推广到训练中从未遇到的新任务。

    Sep, 2022

  • 使用 Q 网络表示的转移强化学习在不同操作空间中的应用

    本研究旨在探究在不同动作空间领域之间进行知识传递的可能性和有效性，提出了一种基于源嵌入相似性的奖励塑形方法，可适用于具有离散和连续动作空间的领域。在 Acrobot-v1 和 Pendulum-v0 领域上，基于两个基线的比较表明我们的方法没有在连续动作空间中取得更好的结果，但在离散动作空间中确实表现出了改进。

    Feb, 2022

  • 探索和转移的潜在技能规划

    该研究探讨了将学习到的世界模型和技能集成到单个强化学习代理中以快速适应新任务的方法，并在一系列具有挑战性的运动任务中展示了在单个任务和从一个任务到另一个任务的转移中改善了样本效率。

    Nov, 2020

  • 基于相似度的知识转移用于跨领域强化学习

    通过开发半监督对齐损失来匹配不同空间的一组编码器 - 解码器，本研究研究了如何衡量跨领域强化学习任务之间的相似性，以选择能够提高学习代理性能的知识源。实验结果表明，在各种 Mujoco 控制任务中，我们的方法能够有效地选择和传递知识，而无需与专家策略相匹配、配对或收集数据的监督。

    Dec, 2023

  • 多任务和多机器人迁移学习的模块化神经网络策略学习

    本研究主要关注于如何使用深度增强学习的方法，通过神经网络策略来训练机器人获取新的技能。同时，通过迁移学习，可以实现技能和机器人之间的信息共享，从而使用 mix-and-match 模块来解决新的机器人环境和任务组合的问题。

    Sep, 2016

  • 强化学习任务状态对应关系的学习，用于知识迁移

    该研究提出了一种基于生成对抗网络模型的一对一转移学习方法，旨在解决深度强化学习中新任务的知识重用和泛化问题。

    Sep, 2022

  • AnyMorph: 通过推断智能体形态学学习可迁移策略

    提出了一种基于数据驱动的方法，学习了一种直接表示动物形态的表示法，即使没有先前动物形态的描述信息，也可以训练出泛化到新动物形态的策略，实现了对新动物形态的零样本学习。

    Jun, 2022

  • 使用随机特征的自监督强化学习转移

    通过在模型自由学习算法中引入自我监督学习的方法，使其能够实现任务转移；该方法是有监督的，可以在没有奖励标签的情况下进行训练，并且可以快速地部署到新任务中。

    May, 2023

  • 基于多源转移学习的深度模型强化学习

    本研究旨在提出多源模块化转移学习技术，以减少强化学习所需的环境交互次数并提高知识重用。我们支持这一技术的有效性，并进行了广泛而具有挑战性的视觉控制跨领域实验。

    May, 2022

  • 基于语言知识的家庭活动迁移学习

    此研究旨在通过迁移学习方法以及基于语言模型的状态空间共同嵌入来提高服务机器人从之前学习中寻找相似方法，以解决家庭服务机器人学习新任务精度低的问题。实验结果表明，基于语义相似性从众多源任务中选择相似任务是非常有效的，并且对于避免遗忘问题可以通过更改更新策略来解决。

    Jan, 2023