通过使用机器学习,该研究提出了一种能够通过观察图像数据和相关动作对来学习环境行为并进行建模的高质量神经模型,称为 DriveGAN,不需要监督信号训练控制模型,并在多个数据集上进行了训练和测试,表现优于之前的数据驱动模拟器,实现了对场景和非玩家对象的各个方面进行控制的新功能。
Apr, 2021
SimGAN 是一种基于深度神经网络和传统物理学模拟的混合仿真器,通过对抗强化学习实现域自适应,以解决机器人控制程序跨不同领域的转化问题。在六个机器人运动任务中,它比多个强基线性能更好。
Jan, 2021
本论文提出了基于深度神经网络的强化学习在机器人抓取任务中的应用,以及利用生成模型进行图像仿真与真实环境之间的过渡。其中引入了 RL-scene 一致性损失用于图像翻译,可保证翻译操作是不变的,并在实现无监督领域转换的同时,训练出了 RL-CycleGAN 模型,该模型表现出了模拟到现实环境下最优的效果。
Jun, 2020
使用生成对抗网络训练短期子目标,从而在未知环境中生成视觉上有意义的行为,并使用这些行动来训练强化学习代理。
Nov, 2017
该论文提出了一个半监督 GAN 系统,用于合成一个角色的反应动作,给定来自另一个角色的活动动作。通过使用基于部分的 LSTM 模块和判别器来实现对复杂的时空信息和不同类型交互的监督,证明了该系统的有效性和鉴别性。
Oct, 2021
本文介绍了一种基于生成对抗网络(GAN)的 RetinaGAN 方法,将模拟图像转化为真实图像,以适应在真实环境中进行机器人控制,有效地改进了以往基于模拟数据的强化学习和模仿学习方法的性能。
Nov, 2020
通过生成模型学习一个真实世界互动的通用模拟器 (UniSim),以模拟高级指令和低级控制的可视结果,并用于训练高级视觉 - 语言规划器和低级增强学习策略,实现纯粹从学习的真实世界模拟器中的零样本现实世界转移。
Oct, 2023
本文介绍了 SocialInteractionGAN—— 一种新颖的基于数据驱动的对抗性生成网络框架,其旨在以单模态展示的相互作用为重点,以离散多序列生成问题为基础,以建立在递归编码器 - 解码器生成网络和双流鉴别器之上的方法来处理相互作用的生成问题。实验结果表明,SocialInteractionGAN 能成功地生成以人为中心的高真实感互动动作序列,这对社交机器人或人工头像的设计具有重要应用。
Mar, 2021
本文介绍了一种基于生成对抗网络的用户模拟器,可以用于预先训练和评估新的基于强化学习的推荐算法,并使用真实世界的电子商务数据进行实验验证。
Jun, 2019
本文探讨了使用生成对抗网络 (GAN) 合成高度逼真图像的优化问题,针对当下模型存在的问题,提出了一种修改规则和设计模型的方法。实验表明,我们的方法可以更有效地训练 GAN 模型,并以 3D 物体投影问题为例进行了验证。
May, 2017