CVPRJun, 2020

RL-CycleGAN: 强化学习感知的模拟到真实领域的对抗生成网络

PDF
TL;DR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。
deep neural networkreinforcement learningsimulation-to-real-world transfervisual representationsrl-scene consistency loss
发现论文，激发创造
  • 机器人 VR 眼镜：基于实际到虚拟域适应的视觉控制

    本文提出了一种新颖的方法来解决从模拟环境到真实世界的深度强化学习策略传输问题，通过在部署阶段将真实世界的图像流翻译回合成域来解决这个问题，同时提出了一种不受下游任务影响的简单而有效的位移损失以及在室内和室外机器人实验中验证了我们的视觉控制方法。

    Feb, 2018

  • 通过观测映射和行为克隆的少样本策略转移框架

    通过观察映射和行为克隆，本文提出了一个针对两个领域的少样本策略传递框架，利用生成对抗网络（GANs）和循环一致性损失将源领域和目标领域之间的观察映射，并将获取的映射用于将成功的源任务行为策略克隆到目标领域，进而实现有限目标任务交互情况下和源领域与目标领域在语义上不相似的情况下的成功行为策略传递。

    Oct, 2023

  • 基于随机正则化到标准化适配网络的数据有效机器人抓取的仿真到现实转换

    采用随机到规范自适应网络 (RCANs) 的新方法，将模拟图像转换为真实图像，成功地实现了在机器人领域的零样本抓取任务，避免了大量真实世界数据采集的成本。

    Dec, 2018

  • 学习生成增强图像用于模拟到真实场景的策略迁移

    本文探讨在模拟环境中学习机器人操作策略的方法，通过使用深度图像数据的随机扩增策略，实现了在非真实场景下学习并获得了验证。

    Mar, 2019

  • 自监督适应深度神经网络实现机器人视觉操作

    使用深度强化学习隐式地在仿真环境中学习潜在的状态表示，并通过无标签的真实机器人数据将其调整到真实环境中，以实现从像素中执行操作任务。通过序列自监督目标优化对比正向动力学损失，提出了一种更加有效的方法，成功地训练基于视觉的强化学习智能体来堆叠方块。

    Oct, 2019

  • 机器人深度强化学习中的模拟到真实转移：一项调查

    本篇综述涵盖了深度强化学习中模拟转真实环境的基本背景，包括不同方向的方法和应用场景，重点讨论了域随机化、域自适应、模仿学习、元学习和知识蒸馏等方法及其存在的机遇和挑战。

    Sep, 2020

  • 通过模拟实现泛化：将模拟和真实数据集成到基于视觉的无人机深度强化学习中

    本文提出一种深度强化学习算法，将模拟数据和真实世界数据相结合，通过学习机器的动力学和建立一个可扩展的感知系统，让四旋翼机器人仅凭单目相机避免碰撞，并在各种光线和几何条件下，用一个小时的真实世界数据就能在新环境中避免碰撞。

    Feb, 2019

  • RetinaGAN: 一种面向对象的模拟到真实转移方法

    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

  • SimGAN: 基于对抗强化学习的混合仿真器识别进行领域自适应

    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

  • 用于自动驾驶的虚拟到现实强化学习

    本文提出了一种虚拟到现实的转换网络，使得在虚拟环境中训练的强化学习驾驶策略可在现实世界中适应，实验证明此方法效果显著且为首次成功的案例。

    Apr, 2017