Jul, 2018

学习去耦合目标空间的好奇心驱动探索

PDF
TL;DR本文介绍了如何使用内在动机和深度学习算法来有效生成目标空间，提出了使用解耦目标空间可以更好地进行探索，同时利用模块化学习进度驱动求知型探索，同时发现了环境的独立可控特征。
intrinsically motivated goal exploration processesdeep representation learning algorithmsdisentangled goal spacemodular learning progresscuriosity-driven exploration
发现论文，激发创造
  • 基于无监督学习的目标领域非赏值驱动探索

    本研究提出使用深度表示学习算法学习目标空间的方法，通过此方法可以发现探索算法，与工程化表示法相比性能表现相匹配。

    Mar, 2018

  • 为高效探索确定目标取向轨迹

    本研究查明了纯随机漫步无法在大多数环境中成功扩展探索领域，并提出将单个随机操作选择替换为随机目标选择，该方法与任何基于好奇心的探索和脱机强化学习代理兼容，并生成比单个随机操作更长且更安全的轨迹。

    Jul, 2018

  • 具有自动课程学习特性的内在动机目标探索过程

    本论文提出了一种基于内在动机的目标探索算法，结合自主学习过程和增量式目标策略搜寻探索，可以自动生成任务序列并发掘多种技能，无需特定的目标指令，适用于机器人等人工智能设备的自主发展学习。

    Aug, 2017

  • 通过修剪原型目标扩展目标导向探索的规模

    本研究基于强化学习，通过在人工设计产生的广泛目标空间中寻找可控、可达、新颖和相关目标的自主发现过程，弥补探索广域领域中新奇性和涵盖性行为不足的问题，并在三种具有挑战性的环境中证明了目标导向的探索的有效性。

    Feb, 2023

  • CURIOUS: 内在动机模块化多目标强化学习

    该论文提出了一种名为 CURIOUS 的算法，它利用 MODULAR Universal Value Function Approximator 和自动化课程学习机制来实现学习代理的自主目标设定和自我组织学习课程，实现学习目标的快速最优化。

    Oct, 2018

  • 分层策略学习对目标空间设计敏感

    通过对理想目标空间的研究，系统地分析的各种修改对分层模型学习的影响，结果表明旋转目标空间和噪声对学习没有影响，而具有额外的不必要因素显著地损害了分层模型的学习效果。

    May, 2019

  • 稀疏奖励多智能体强化学习中基于好奇心的探索

    本研究讨论了在稀疏奖励情况下深度强化学习方法的稀疏性会影响其样本效率，而内在动机学习是一种解决稀疏奖励问题的有效方法，文章将内在动机学习方法与 Go-Explore 框架相结合提出了一种叫 I-Go-Explore 的方法以缓解其所带来的 detachments 问题。

    Feb, 2023

  • 连续控制中的深度内在驱动探索

    本文研究如何将内在动机与深度强化学习相结合，以用于连续系统的有向探索行为。我们基于动物激励系统的现有理论，提出了一种创新的、可扩展的有向探索策略，它受到价值函数误差的最大化的影响。大量实证研究表明，我们的框架可以扩展到更大、更多样化的状态空间，显著提高基线，明显优于非定向策略。

    Oct, 2022

  • 基于解离式可达性规划的目标驱动强化学习

    我们提出了一种基于目标条件的强化学习算法，结合了解缠绕的可达性规划（REPlan），用于解决时间延展任务，在模拟和真实世界任务中，REPlan 显著优于之前最先进的方法。

    Jul, 2023

  • 基于好奇心探索的目标条件离线规划

    通过分析优化目标条件下的价值函数的几何特征，我们提出了一种使用基于模型的规划和基于图形的价值聚合方案相结合的方法来纠正学习价值函数中的估计伪像，并在各种模拟环境中显著提高了零 - shot 目标达成性能。

    Nov, 2023