May, 2024

傅立叶控制网络用于实时决策的具象学习

PDF
TL;DR通过在机器人轨迹的频域中提取和编码时变特征的短时傅里叶变换 (STFT)，傅里叶控制器网络 (FCNet) 实现了实时决策的并行训练和高效的循环推断，比传统方法如 Transformer 在各种大小的多环境机器人数据集上的效率和有效性更高。
reinforcement learningfrequency domainfourier controller networkrobotics datasetsefficiency
发现论文，激发创造
  • 从数据拟合到探索：通过强化学习解读运动控制的神经动力学

    通过研究虚拟机器人在进行腿部运动时的结构化神经活动，我们发现机器人训练后的神经轨迹比输入驱动的激励层的神经轨迹更为复杂，这一核心原则对于计算神经科学具有重要意义。

    May, 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

  • 深度预测策略训练采用强化学习

    通过使用深度预测策略训练框架，该研究提出了一种有效的方法来训练预测动作策略，使用合成和模拟训练样本来强制进行视觉和运动数据的抽象，以及使用策略搜索强化学习方法来训练每个任务的策略超层，该框架在 PR2 机器人上训练物体抓取和投球等技能任务，并且训练样本只使用了约 180 次实际机器人尝试，达到了很好的效果。

    Mar, 2017

  • Sim-to-(Multi)-Real: 将低层鲁棒控制策略转移到多个四旋翼上

    使用强化学习训练神经网络，学习低级别的四轴飞行器控制策略，无需使用稳定的 PD 控制器，可以推广到多种四轴飞行器。

    Mar, 2019

  • 基于概率模型的强化学习合成神经网络控制器

    本研究提出了一种基于模型的强化学习算法，通过训练具有可校准不确定性的神经网络动力学模型，实现对机器人系统控制器的快速学习，并在多项基准任务中验证了该算法的高效性和可扩展性，包括针对六足水下自主机器人的运动控制器学习。

    Mar, 2018

  • 末端到端的视觉运动控制的可供性学习

    采用模块化神经网络体系结构，利用合成数据和模拟技术，通过低维潜在表示生成场景可用性，成功训练机械臂政策。同时，提出了一种数据集生成方法，可轻松推广到新任务、对象和环境，无需手动像素标记。

    Mar, 2019

  • 探索深度和循环结构用于最优控制

    本文研究了多层神经网络在控制方面的应用，特别是在连续高维动作任务中，通过强化学习训练后实现了控制策略，结果表明可以成功训练具有成千上万个参数的神经网络控制器，并比较了各种不同结构。文章讨论了这一问题与以往有监督知觉任务的区别，呈现了实验结果，并讨论了将深度学习技术应用于控制问题优化的未来方向。

    Nov, 2013

  • 深度跟踪控制：用于多功能和鲁棒运动的基于模型规划和强化学习的统一方法

    通过结合在线规划的预测能力和离线学习的内在稳健性，我们提出了一个混合控制架构，以同时实现更高的稳健性、脚步精确度和地形泛化。

    Sep, 2023

  • 神经动态策略的端到端感觉 - 运动学习

    该论文提出了一种新的策略表示 —— 神经动力学策略，通过将动力学系统嵌入到神经网络策略中，通过二阶微分方程来重新参数化动作空间以实现端到端的政策学习，并在几个机器人控制任务中展示了神经动态策略比传统的基于先验的策略学习方法更高的效率和性能表现。

    Dec, 2020

  • 深度 Q-Learning 机器人臂控制的 3D 模拟

    该研究旨在使用深度强化学习算法，通过在模拟环境中训练机器人臂完成定位和抓取方块的任务，进而实现在真实场景下机器人控制的无缝转移，并设计了结构化奖励函数以提高训练效率。

    Sep, 2016