首页
学习
活动
专区
圈层
工具
发布
首页
学习
活动
专区
圈层
工具
MCP广场
社区首页 >专栏 >利用深度强化学习训练柔性机器人

利用深度强化学习训练柔性机器人

原创
作者头像
Jarvis Cocker
发布于 2019-07-17 07:51:46
发布于 2019-07-17 07:51:46
6270
举报

原文标题:On Training Flexible Robots using Deep Reinforcement Learning

摘要:在过去的几十年中,机器人在受控环境中的应用蓬勃发展,训练机器人使用其硬件动态模型开发的控制策略来执行任务已经证明是非常有效的。然而,在许多现实世界中,环境的不确定性、机器人的安全要求和普遍的能力使得刚性工业机器人不适合。这引起了开发柔性机器人硬件控制策略的研究兴趣,而建立柔性机器人硬件的动力学模型具有很大的挑战性。本文在其他领域深入强化学习(DRL)成功的启发下,系统地研究了DRL策略搜索方法在柔性机器人训练中的有效性。结果表明,DRL能够在不同程度的灵活性下成功地学习复杂任务的高效、健壮的策略。我们还注意到,使用深度确定性策略梯度的DRL可能对传感器的选择很敏感,添加更多的信息传感器并不一定会使任务更容易学习。

地址:https://arxiv.org/abs/1907.00269

作者:Zach Dwiel, Madhavun Candadai, Mariano Phielipp

原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。

如有侵权,请联系 cloudcommunity@tencent.com 删除。

原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。

如有侵权,请联系 cloudcommunity@tencent.com 删除。

评论
登录后参与评论
暂无评论
推荐阅读
编辑精选文章
换一批
人工智能科学论文摘要20篇(2019-07-17)
原文标题:An Overview of the Ludii General Game System
Jarvis Cocker
2019/07/17
2K0
【深度学习】强化学习(五)深度强化学习
  强化学习的基本任务是通过智能体与环境的交互学习一个策略,使得智能体能够在不同的状态下做出最优的动作,以最大化累积奖励。这种学习过程涉及到智能体根据当前状态选择动作,环境根据智能体的动作转移状态,并提供即时奖励的循环过程。
Qomolangma
2024/07/30
7210
【深度学习】强化学习(五)深度强化学习
如何系统的学习robo-gym
提醒:以下内容仅做参考,可自行发散。在发布作品前,请把不需要的内容删掉。 无论是初学者还是有经验的专业人士,在学习一门新的IT技术时,都需要采取一种系统性的学习方法。那么作为一名技术er,你是如何系统的学习it技术的呢。
zhangrelay
2023/06/10
1.4K0
如何系统的学习robo-gym
干货 | 这里有一篇深度强化学习劝退文
AI 科技评论按:本文作者 Frankenstein,首发于作者的知乎主页,AI科技评论获取授权转载。 今天在学校又双叒叕提到了 Deep Reinforcement Learning That Matters 这篇打响 DRL(Deep Reinforcement Learning, 深度强化学习)劝退第一枪的文章后,回来以后久违刷了一下推特,看到了这篇爆文 Deep Reinforcement Learning Doesn't Work Yet(https://www.alexirpan.com/201
AI科技评论
2018/03/06
2K0
深度强化学习:如何在AI工程实践中选择合适的算法?
在使用深度强化学习(Deep Reinforcement Learning,DRL)算法解决实际问题的过程中,明确任务需求并初步完成问题定义后,就可以为相关任务选择合适的DRL算法了。
CV君
2021/09/27
7580
深度强化学习:如何在AI工程实践中选择合适的算法?
83篇文献-万字总结 || 强化学习之路
深度强化学习是深度学习与强化学习相结合的产物,它集成了深度学习在视觉等感知问题上强大的理解能力,以及强化学习的决策能力,实现了端到端学习。深度强化学习的出现使得强化学习技术真正走向实用,得以解决现实场景中的复杂问题。从2013年DQN(深度Q网络,deep Q network)出现到目前为止,深度强化学习领域出现了大量的算法,以及解决实际应用问题的论文,本文将阐述深度强化学习的发展现状,并对未来进行展望。
深度强化学习实验室
2020/02/25
1.5K0
83篇文献-万字总结  ||  强化学习之路
机器学习——强化学习与深度强化学习
近年来,强化学习(Reinforcement Learning, RL)在多个领域取得了巨大的进展。从早期简单的迷宫导航问题到今天 AlphaGo 击败围棋世界冠军,强化学习的潜力得到了充分展现。而随着深度学习的引入,深度强化学习(Deep Reinforcement Learning, DRL)更是将这一技术推向了前所未有的高度。本篇文章将深入探讨强化学习与深度强化学习的基本原理、常见算法以及应用场景,旨在为读者提供一个详尽的学习路线图。
hope kc
2024/10/09
2.4K0
柔性机械臂:控制算法介绍
建立的系统动力学模型必须按照控制的要求进行简化以便为控制系统的设计提供设计模型。大致可以划分为被动控制和主动控制两大类。
ZC_Robot机器人技术
2020/09/28
6.6K4
柔性机械臂:控制算法介绍
机器人相关学术速递[7.22]
【1】 Demonstration-Guided Reinforcement Learning with Learned Skills 标题:带学习技能的示范引导式强化学习
公众号-arXiv每日学术速递
2021/07/27
3520
使用强化学习训练机械臂完成人类任务
今天在各行业部署的工业机器人大多是在执行重复的任务。基本上是在预定好的轨迹中移动或者放置物体。但事实上,机器人在如今的制造业中处理不同或者复杂任务环境的能是非常有限的。
AI研习社
2019/05/08
1K0
使用强化学习训练机械臂完成人类任务
活动 | 中国自动化学会「深度与宽度强化学习」智能自动化学科前沿讲习班第二天
AI 科技评论按:2018 年 5 月 31 日-6 月 1 日,中国自动化学会在中国科学院自动化研究所成功举办第 5 期智能自动化学科前沿讲习班,主题为「深度与宽度强化学习」。
AI科技评论
2018/07/27
3660
基于神经网络的机器人学习与控制:回顾与展望
机器人因其高效的感知、决策和执行能力,在人工智能、信息技术和智能制造等领域中具有巨大的应用价值。目前,机器人学习与控制已成为机器人研究领域的重要前沿技术之一。各种基于神经网络的智能算法被设计,从而为机器人系统提供同步学习与控制的规划框架。首先从神经动力学(ND)算法、前馈神经网络(FNNs)、递归神经网络(RNNs)和强化学习(RL)四个方面介绍了基于神经网络的机器人学习与控制的研究现状,回顾了近30年来面向机器人学习与控制的智能算法和相关应用技术。最后展望了该领域存在的问题和发展趋势,以期促进机器人学习与控制理论的推广及应用场景的拓展。
一点人工一点智能
2023/04/27
2.4K0
基于神经网络的机器人学习与控制:回顾与展望
机器人相关学术速递[12.21]
【1】 Learning Spatio-Temporal Specifications for Dynamical Systems 标题:学习动态系统的时空规范 链接:https://arxiv.org/abs/2112.10714
公众号-arXiv每日学术速递
2021/12/24
4060
机器人相关学术速递[11.10]
【1】 A Differentiable Recipe for Learning Visual Non-Prehensile Planar Manipulation 标题:一种学习视觉非抓取平面操作的微分配方 链接:https://arxiv.org/abs/2111.05318
公众号-arXiv每日学术速递
2021/11/17
3500
平价训练AI机器人:谷歌大脑&伯克利联合推出低成本机器人训练平台ROBEL
用于解决机器人控制问题的基于学习的方法最近有了显著的发展,这是由模拟基准(如dm_control或OpenAI-Gym)的广泛可用和灵活的、可扩展的强化学习技术(如DDPG, QT-Opt, 或 Soft Actor-Critic)的改进推动的。
新智元
2019/10/14
6550
平价训练AI机器人:谷歌大脑&伯克利联合推出低成本机器人训练平台ROBEL
机器人相关学术速递[9.8]
【1】 Optimal Stroke Learning with Policy Gradient Approach for Robotic Table Tennis 标题:基于策略梯度法的机器人乒乓球最优击球学习 链接:https://arxiv.org/abs/2109.03100
公众号-arXiv每日学术速递
2021/09/16
3990
机器人相关学术速递[9.7]
【1】 Gaussian Process Uniform Error Bounds with Unknown Hyperparameters for Safety-Critical Applications 标题:安全关键应用中具有未知超参数的高斯过程一致误差界 链接:https://arxiv.org/abs/2109.02606
公众号-arXiv每日学术速递
2021/09/16
5910
机器人相关学术速递[10.19]
【1】 Discovering and Achieving Goals via World Models 标题:通过世界模型发现和实现目标 链接:https://arxiv.org/abs/2110.09514
公众号-arXiv每日学术速递
2021/10/21
8450
一文入门 深度强化学习
深度强化学习是人工智能最有趣的分支之一。它是人工智能社区许多显着成就的基石,它在棋盘、视频游戏、自动驾驶、机器人硬件设计等领域击败了人类冠军。
double
2022/01/26
1.3K0
一文入门 深度强化学习
【AI前沿】深度学习基础:深度强化学习
强化学习是一种机器学习方法,通过与环境的交互来学习最优策略。其基本思想是智能体(Agent)在环境(Environment)中通过一系列动作(Actions)与环境互动,并从中获得奖励(Rewards),以最大化累积奖励。强化学习主要包括以下几个核心概念:
屿小夏
2025/05/23
3730
【AI前沿】深度学习基础:深度强化学习
推荐阅读
相关推荐
人工智能科学论文摘要20篇(2019-07-17)
更多 >
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档