利用深度强化学习训练柔性机器人

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