دانلود مقاله انگلیسی رایگان:بهبود یادگیری حرکتی سیستم دوگانه ربات با انگیزه ذاتی متا کنترل و تجربه فضای پنهان تخیلی - 2020
بلافاصله پس از پرداخت دانلود کنید
دانلود مقاله انگلیسی یادگیری تقویتی رایگان
  • Improving robot dual-system motor learning with intrinsically motivated meta-control and latent-space experience imagination Improving robot dual-system motor learning with intrinsically motivated meta-control and latent-space experience imagination
    Improving robot dual-system motor learning with intrinsically motivated meta-control and latent-space experience imagination

    سال انتشار:

    2020


    عنوان انگلیسی مقاله:

    Improving robot dual-system motor learning with intrinsically motivated meta-control and latent-space experience imagination


    ترجمه فارسی عنوان مقاله:

    بهبود یادگیری حرکتی سیستم دوگانه ربات با انگیزه ذاتی متا کنترل و تجربه فضای پنهان تخیلی


    منبع:

    Sciencedirect - Elsevier - Robotics and Autonomous Systems, 133 (2020) 103630. doi:10.1016/j.robot.2020.103630


    نویسنده:

    Muhammad Burhan Hafez ∗, Cornelius Weber, Matthias Kerzel, Stefan Wermter


    چکیده انگلیسی:

    Combining model-based and model-free learning systems has been shown to improve the sample efficiency of learning to perform complex robotic tasks. However, dual-system approaches fail to consider the reliability of the learned model when it is applied to make multiple-step predictions, resulting in a compounding of prediction errors and performance degradation. In this paper, we present a novel dual-system motor learning approach where a meta-controller arbitrates online between model-based and model-free decisions based on an estimate of the local reliability of the learned model. The reliability estimate is used in computing an intrinsic feedback signal, encouraging actions that lead to data that improves the model. Our approach also integrates arbitration with imagination where a learned latent-space model generates imagined experiences, based on its local reliability, to be used as additional training data. We evaluate our approach against baseline and state-of-the-art methods on learning vision-based robotic grasping in simulation and real world. The results show that our approach outperforms the compared methods and learns near-optimal grasping policies in dense- and sparse-reward environments.
    Keywords: Meta-control | Arbitration | Experience imagination | Intrinsic motivation | Reinforcement learning | Robotic grasping


    سطح: متوسط
    تعداد صفحات فایل pdf انگلیسی: 14
    حجم فایل: 1831 کیلوبایت

    قیمت: رایگان


    توضیحات اضافی:




اگر این مقاله را پسندیدید آن را در شبکه های اجتماعی به اشتراک بگذارید (برای به اشتراک گذاری بر روی ایکن های زیر کلیک کنید)

تعداد نظرات : 0

الزامی
الزامی
الزامی
rss مقالات ترجمه شده rss مقالات انگلیسی rss کتاب های انگلیسی rss مقالات آموزشی
logo-samandehi