Aug, 2020

基于随机引入的动作转换技术用于机器人在仿真中学习

PDF
TL;DR分析了用 Grounded Action Transformation 算法来解决 sim-to-real 问题的局限性，因为它们没有明确考虑到目标环境中的随机性，提出了 Stochastic Grounded Action Transformation 算法，这种算法在基于模拟的控制器在真实环境中无法成功迁移时有很好的应用。
sim-to-real problemrobot controlgrounded action transformation algorithmstochasticitystochastic grounded action transformation algorithm
发现论文，激发创造
  • 基于不确定性感知的基础动作转换：用于交通信号控制的模拟到实际转换

    本文提出了一种名为 UGAT 的仿真到真实世界转移方法，通过动态转换模拟中的不确定行动来减小转移动态的领域差异，从而将在仿真环境中训练的学习策略转移到真实环境中，显著提高了转移强化学习策略在真实世界中的性能。

    Jul, 2023

  • 零样本 Sim2Real 环境自适应

    提出了使用 Reverse Action Transformation（RAT）策略的方法来解决模拟到现实世界之间的转换问题，并且和其他基线模型相比，在连续控制任务中可实现零样本适应。

    Feb, 2023

  • 动态随机化的机器人控制的仿真到实际转移

    本文介绍了一种简单的方法来解决在模拟训练中的现实差距问题。通过在训练过程中随机化模拟器的动力学，我们能够开发出适应非常不同的动力学的策略，并且使其在真实世界中推广而不需要在物理系统上进行训练。在机器人控制方面，我们的方法在物体推动任务上表现出了很好的性能。

    Oct, 2017

  • 在随机领域中使用抽象化进行可解释的机器人程序设计

    该研究提出了一种抽象方法，将高层次、非随机的机器人模型映射到低层次、随机的模型中，从而消除传感器噪声对机器人行为模型的影响，简化行为模型的可理解性。

    Jul, 2022

  • 策略优化的政策转移

    本研究提出了一种基于域随机化的控制策略迁移方法，通过同时学习多种不同行为的控制策略来应对目标环境与训练环境之间的差异，而无需对动态参数进行识别，实验表明该方法可以成功地解决模型误差较大的情况。

    Oct, 2018

  • 学习主动任务导向的探索策略，弥合模拟与现实之间的差距

    本文提出并分析了一种基于任务导向探索的框架，该框架通过在模拟环境中学习任务导向的探索策略来标识任务相关的系统参数，并将这些参数用于在现实世界中进行基于模型的轨迹优化。实验表明，任务导向的探索有助于在系统参数未知时，使基于模型的策略适应更好，从而实现更好的任务表现。

    Jun, 2020

  • 智慧城市应用中使用连续目标导向行为进行真实评估的追踪性

    智慧城市应用中的智能城市机器人行为连续目标动作演化算法及粒子群优化方法的研究

    Feb, 2024

  • 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

  • 通过在线纠正学习进行模拟到现实策略迁移

    通过人机协作的数据驱动方法，TRANSIC 提出了一种能够成功实现从模拟环境到真实世界转换的综合性方法，通过引入人类观察和干预机器人在真实世界中的执行来缩小不同的模拟与现实之间的差距。该方法通过整合从模拟和人类中学习到的策略，在复杂和接触丰富的操作任务中实现了成功的模拟到现实的转换。

    May, 2024

  • 学习随机领域的符号模型

    本文探讨发展在复杂世界中可以学习行动的代理程序的目标，并开发了一种概率关系计划规则表示，以紧凑地模拟有噪声，不确定性的行动效果，并展示了这种规则的有效学习方法。通过在简单规划领域和具有逼真物理的三维模拟块世界的实验，我们证明了这种学习算法使代理程序能够有效地模拟世界动态。

    Oct, 2011