HAC-LOCO: Learning Hierarchical Active Compliance Control for Quadruped Locomotion under Continuous External Disturbances
School of Aeronautics and Astronautics, Shenzhen campus of Sun Yat-sen University(航空学院,中山大学深圳校区)
本文提出HAC-LOCO两阶段层次学习框架,通过力估计学习主动柔顺动作模块,使四足机器人在连续外部扰动下兼顾鲁棒性与柔顺性,并在仿真和实机实验中优于现有RL运动控制器。
2025-07-03 cs.RO
TACT-ful: Multi-Channel Terrain Affordance and Compliance Training for Payload-Robust Perceptive Humanoid Locomotion
VinRobotics, Vietnam(越南VinRobotics);Center for AI Research, VinUniversity, Vietnam(越南VinUniversity人工智能研究中心);Intelligent Autonomous Systems, TU Darmstadt, Germany(德国达姆施塔特工业大学智能自主系统)
提出多通道地形代价和贝塞尔摆动轨迹,结合基于PPO的非对称演员-评论家策略,实现人形机器人足部选位与负载顺应性训练,在仿真中达到1.0 m/s速度并提升负载鲁棒性。
2026-06-23 cs.RO
TDC: Sim-to-Real Transferable Directional Compliance for Contact-Rich Manipulation
Zhejiang University(浙江大学);Zhejiang Humanoid Robot Innovation Center(浙江人形机器人创新中心)
本文提出了一种通过学习力方向来提升模拟到现实接触丰富操作性能的方法,利用专家设计的控制器逻辑和有限状态机,在四个真实任务中实现了更高的成功率和鲁棒性。
2026-10-06 cs.RO
Tolerance-Guided Policy Learning for Adaptable and Transferrable Delicate Industrial Insertion
Carnegie Mellon University(卡内基梅隆大学)
策略学习,用于精细的工业插入任务(例如,印制电路板组装)是具有挑战性的。本文考虑两个主要问题:如何学习一个多样化的政策(而不是只有一个平均政策),可以有效地处理不同的工件与最小量的训练数据,以及如何处理插入过程中的工件缺陷。为了解决这些问题,我们提出了宽容引导的策略学习。为了鼓励学习到的策略到不同工件的可转移性,我们使用插入容差将任务嵌入添加到策略的输入空间。然后,我们训练的政策,使用生成对抗模仿学习与奖励塑造(RS-GAIL)的各种代表性的情况。为了鼓励学习策略的适应性,以处理缺陷,我们建立了一个概率推理模型,可以输出最佳的插入姿势的基础上失败的插入使用公差模型。然后,最佳插入姿势被用作对所学习的策略的参考。该方法在一系列IC插座插入任务的仿真中得到了验证。结果表明:1)RS-GAIL在稀疏回报条件下能够有效地学习最优策略; 2)容差嵌入增强了学习策略的可移植性; 3)概率推理使策略对工件缺陷具有鲁棒性。
2021-08-04 cs.RO
CompliantWBC: Whole-Body Compliance for Heavy Humanoids via Force Latent Estimation and Residual Impedance Targets
National University of Singapore(新加坡国立大学);VinRobotics(Vin机器人公司);VinUniversity(文森大学);TU Darmstadt(达姆施塔特工业大学)
CompliantWBC通过强化学习、残差阻抗策略和力来源采样,实现重型人形机器人全身柔顺控制,仿真偏差2.58cm,并已在真实机器人上验证。
2026-09-29 cs.RO
CageCoOpt: Enhancing Manipulation Robustness through Caging-Guided Morphology and Policy Co-Optimization
KTH Royal Institute of Technology(瑞典皇家理工学院);Duke University(杜克大学)
提出CageCoOpt分层框架,联合优化机械臂形态与控制策略,结合最小逃逸能量指标,显著提升不确定性下的操作鲁棒性和成功率。
2025-03-02 cs.RO
CEER2: Directional and Tunable End-Effector and Root Compliance for Humanoid Loco-Manipulation
Duke University(杜克大学)
针对人形机器人物理交互中的柔顺性问题,提出结合方向性可调末端执行器柔顺性与可选根部柔顺性的框架,利用分层强化学习控制,实现方向刚度控制、在线调整及协作搬运等能力。
2026-10-01 cs.RO
Design of Adaptive Compliance Controllers for Safe Robotic Assembly
Mitsubishi Electric Research Laboratories(三菱电机研究实验室)
插入操作是大多数机器人装配操作的关键要素,并且钉孔(PiH)插入是工业和学术操纵社区中最广泛研究的任务之一。PiH插入实际上是一整类问题,其中问题的复杂性可以取决于插入尝试期间的未对准和接触形成的类型。在本文中,我们提出了自适应顺应性控制器的设计和分析,可用于插入型装配任务,包括基于学习的顺应性控制器,可用于插入问题中存在的不确定性,在机器人装配过程中的目标位置。我们首先提出了顺应性控制器的设计,它可以确保安全操作的机器人,通过限制经验丰富的接触力在接触形成。因此,我们提出了接触形成过程中获得的力签名的分析,以了解执行插入所需的纠正措施。最后,我们使用建议的合规性控制器和学习模型来设计一个政策,可以成功地执行插入在新的测试条件下,几乎完美的成功率。我们验证所提出的方法在物理机器人试验台上使用6自由度机械臂。
2022-04-22 cs.RO
Fast Skill Learning for Variable Compliance Robotic Assembly
Tsinghua University(清华大学)
机器人装配代表了一组强化学习和可变顺应性控制的基准问题,其特征在于复杂的接触操作。将强化学习应用于物理机器人的关键挑战之一是样本的复杂性,即学习需要大量的经验。我们通过将迭代改装的模型纳入学习过程中,通过模型引导的探索来缓解这个样本复杂性问题。然而,拟合物理环境的局部模型是主要困难。在这项工作中,一个卡尔曼滤波器被用来结合自适应线性动态与一个粗略的先验模型从解析描述,并证明了给更准确的预测比现有的方法。实验结果表明,所提出的模型拟合策略可以应用于模型预测控制器中,在保持无模型强化学习优点的同时,为学习加速提供良好的探索行为.除了样本的复杂性之外,机器人在操作过程中不可避免的过载也往往会限制学习效率。为了解决这个问题,我们提出了一种方法,以限制最大可能的势能在顺应性控制系统,从而保持接触力在合理的范围内。
2019-05-11 cs.RO
Guided Policy Search as Approximate Mirror Descent
University of Washington(华盛顿大学)
引导策略搜索算法可用于优化复杂的非线性策略,如深度神经网络,而无需直接计算高维参数空间中的策略梯度。相反,这些方法使用监督学习来训练策略以模仿“教师”算法,例如轨迹优化器或以轨迹为中心的强化学习方法。引导策略搜索方法通过构造提供了渐近局部收敛保证,但不清楚在有限的迭代次数内策略改进了多少。我们表明,指导政策搜索算法可以被解释为一个近似的变形镜像下降,在约束流形上的投影是不准确的。我们推导出一种新的指导策略搜索算法,该算法更简单,并在简化的凸和线性设置中提供了吸引人的改进和收敛保证,并表明在更一般的非线性设置中,投影步骤中的误差可以有界。我们提供了几个模拟机器人导航和操作任务的实证结果,表明我们的方法是稳定的,并实现了类似或更好的性能相比,以前的指导政策搜索方法,具有更简单的制定和更少的超参数。
2016-07-15 cs.LG cs.RO
ContactDP: Contact-Guided Diffusion Policy for Tight Insertion Tasks
Mitsubishi Electric Research Labs(三菱电机研究实验室)
ContactDP提出一种多模态扩散策略框架,融合视觉、触觉与力觉信息,结合混合位置-力控制,在紧密插入任务中显著提升性能、可靠性与泛化能力。
2026-09-22 cs.RO
Survivable Robotic Control through Guided Bayesian Policy Search with Deep Reinforcement Learning
许多机器人操作技能可以用确定性特征来表示,并且存在用于学习这些技能的参数化电机计划的有效技术。然而,一个积极的研究挑战仍然是在机械故障的情况下维持操纵能力。理想情况下,像生物一样,机器人代理应该能够通过适应动态对手来重新配置其控制策略。在本文中,我们提出了一种方法,允许代理生存的情况下,机械损失,并自适应地学习操纵妥协的自由度-我们称我们的方法生存机器人学习(SRL)。我们的主要思想是利用贝叶斯策略梯度编码的知识偏见后验估计,这反过来又证明了未来的政策搜索探索,在样本效率和随机探索的政策搜索方法相比。SRL将策略先验表示为高斯过程,通过将引导偏差作为来自先前重放的代理,允许近似后验的易处理计算(当真实梯度难以处理时)。我们评估我们提出的方法对现成的无模型学习算法(DDPG),测试六足机器人平台上遇到增量故障仿真,我们的实验表明,我们的方法大大提高了样本需求和定量成功率在所有故障模式。我们实验的演示视频可以在https://sites.google.com/view/survivalrl上观看
2021-06-29 cs.RO
Preference-Conditioned Multi-Objective RL for Integrated Command Tracking and Force Compliance in Humanoid Locomotion
Tsinghua University, Beijing 100084, China(清华大学,北京100084,中国);Beijing Jiaotong University, Beijing 100044, China(北京交通大学,北京100044,中国)
本文提出基于偏好的多目标强化学习框架,用于实现人形机器人在指令跟踪与力顺应性之间的平衡,通过用户指定偏好输入实现稳定训练和可部署的运动控制。
2026-03-06 cs.RO
Contact-Grounded Policy: Dexterous Visuotactile Policy with Generative Contact Grounding
Purdue University(普渡大学);Meta Reality Labs Research(Meta现实实验室);University of Wisconsin–Madison(威斯康星大学麦迪逊分校)
本文提出Contact-Grounded Policy,通过预测机器人状态和触觉反馈的耦合轨迹,生成接触基础的灵活视觉-触觉策略,优于现有基线方法。
2026-05-08 cs.RO
Guided Policy Search Model-based Reinforcement Learning for Urban Autonomous Driving
University of California, Berkeley(加州大学伯克利分校)
在本文中,我们继续我们以前的工作,使用模仿学习(IL)和无模型强化学习(RL),学习驾驶策略的自动驾驶在城市的情况下,通过引入基于模型的RL方法来驱动自动驾驶汽车在卡拉城市驾驶模拟器。尽管IL和无模型RL方法已被证明能够解决许多具有挑战性的任务,包括玩视频游戏,机器人,以及在我们之前的工作中,城市驾驶,但这些方法的低样本效率极大地限制了它们在实际自动驾驶中的应用。在这项工作中,我们开发了一个基于模型的RL算法的指导政策搜索(GPS)的城市驾驶任务。该算法迭代学习一个参数化的动力学模型来逼近复杂的交互式驾驶任务,并在非线性近似动力学模型下优化驾驶策略。作为一种基于模型的强化学习方法,GPS在城市自动驾驶中具有更高的样本效率、更好的可解释性和更高的稳定性。我们提供了大量的实验验证所提出的方法的有效性,学习鲁棒的驾驶政策,在卡拉城市驾驶。我们还将所提出的方法与其他策略搜索和无模型RL基线进行了比较,表明基于GPS的RL方法的样本效率提高了100倍,并且基于GPS的方法可以学习基线方法难以学习的更难任务的策略。
2020-05-11 cs.RO
GentleHumanoid: Learning Upper-body Compliance for Contact-rich Human and Object Interaction
Stanford University(斯坦福大学)
GentleHumanoid提出将阻抗控制融入全身运动跟踪策略,通过统一弹簧公式建模抵抗性与引导性接触,实现人形机器人上身柔顺交互,在仿真和Unitree G1上验证了降低接触力并保持任务成功的效果。
2025-11-06 cs.CV cs.HC cs.RO
MPC-Net: A First Principles Guided Policy Search
ETH Zürich(苏黎世联邦理工学院)
我们提出了一种模仿学习方法,用于控制具有已知模型的动态系统。我们的策略搜索方法由MPC的解决方案指导。这种类型的典型策略搜索方法最小化引导示范和学习策略之间的距离度量。然而,我们的损失函数对应于控制哈密顿量的最小化,这是从最优性原理推导出来的。因此,我们的算法直接试图解决的最优性条件与参数化类的控制律。此外,建议的损失函数明确编码的最优控制问题的约束,我们提供了数值证据,其最小化实现了改进的约束满足。我们训练的混合专家神经网络架构控制四足机器人,并表明这种政策结构非常适合这样的多模态系统。学习的政策可以成功地稳定不同的步态在真正的步行机器人从不到10分钟的演示数据。
2020-02-17 cs.LG cs.RO
Policy-Guided Diffusion
University of Oxford(牛津大学)
本文提出策略引导扩散,用扩散模型生成行为分布下的完整轨迹并由目标策略引导,以更低动力学误差产生高目标概率的合成经验,显著提升多种离线强化学习算法性能。
2024-04-09 cs.AI cs.LG cs.RO
DR-APO: Decoupled-Representation Advantage-Guided Policy Optimization from Continuous Control to Embodied Navigation
DEEP Robotics(深度机器人公司);Zhejiang University(浙江大学)
DR-APO为高斯、扩散、流匹配策略提供统一优化原则,在MuJoCo任务中具竞争力,NavDP后训练显著提升仿真与真实导航的成功率。
2026-10-14 cs.LG cs.RO
Adversarially Regularized Policy Learning Guided by Trajectory Optimization
Georgia Institute of Technology(佐治亚理工学院)
结合轨迹优化与函数逼近(特别是神经网络)的最新进展显示了在机器人系统中学习用于不同任务的复杂控制策略的前景。尽管它们具有很大的灵活性,但用于参数化控制策略的大型神经网络带来了重大挑战。学习的神经控制策略往往过于复杂和非光滑,这很容易导致意外或发散的机器人运动。因此,它们在实践中往往产生较差的泛化性能。为了解决这个问题,我们提出了由轨迹优化(VERONICA)引导的主动正则化策略学习来学习平滑控制策略。具体而言,我们提出的方法控制平滑(局部Lipschitz连续性)的神经控制策略,稳定输出控制相对于最坏情况下的输入状态的扰动。我们的机器人操作实验表明,我们提出的方法不仅提高了样本的神经策略学习的效率,但也提高了对各种类型的干扰,包括传感器噪声,环境的不确定性和模型失配的政策的鲁棒性。
2022-04-05 cs.LG cs.RO
Learning Robust Manipulation Skills with Guided Policy Search via Generative Motor Reflexes
RWTH Aachen University(亚琛工业大学)
引导策略搜索使机器人能够有效地学习复杂操作任务的控制策略。其中,控制策略被表示为基于状态导出机器人动作的高维神经网络。然而,由于指导策略搜索中的真实世界轨迹样本数量很少,因此所得到的神经网络仅在真实世界交互所探索的轨迹分布的邻域中是鲁棒的。在本文中,我们提出了一种新的策略表示称为生成运动反射,这是能够在更广泛的状态空间生成强大的行动相比,以前的方法。与先前的状态动作策略相比,生成性运动反射将状态映射到状态依赖运动反射的参数,然后用于导出动作。鲁棒性是通过对许多状态产生类似的运动反射来实现的。我们评估所提出的方法在模拟和现实世界的操作任务,包括接触丰富的钉孔任务。使用这些评估任务,我们表明,表示为生成运动反射的政策导致强大的操作技能,也探索轨迹分布之外,与以前的方法相比,训练需求更少。
2019-02-19 cs.AI cs.RO
Visual Prompt Guided Unified Pushing Policy
Graduate School of Information Science and Engineering, Ritsumeikan University, Japan(立命馆大学信息科学与工程研究生院);Japan Advanced Institute of Science and Technology (JAIST)(日本先进科学研究院);College of Information Science and Engineering, Ritsumeikan University, Japan(立命馆大学信息科学与工程学院)
本文提出一种基于视觉提示的统一推送策略,通过整合轻量级提示机制提升多模态推送动作的生成效率,适用于广泛规划问题,并在桌面清洁任务中表现出色。
2026-02-22 cs.AI cs.RO
Guided Policy Search for Parameterized Skills using Adverbs
Brown University(布朗大学)
我们提出了一种方法,使用副词短语调整技能参数,通过学习副词技能的背景。这些接地允许代理使用由人类提供的副词反馈来直接更新技能策略,其方式类似于传统的本地策略搜索方法。我们表明,我们的方法可以作为这些政策搜索方法的替代品时,密集的奖励环境是不可用的,但人类的语言反馈。我们证明了改进的样本效率在两个实验中的现代政策搜索方法。
2021-10-23 cs.AI cs.CL cs.HC
Learning Deep Control Policies for Autonomous Aerial Vehicles with MPC-Guided Policy Search
University of California, Berkeley(加州大学伯克利分校)
模型预测控制(MPC)是用于控制机器人系统、特别是诸如四轴飞行器的自主飞行器的有效方法。然而,MPC的应用可能在计算上要求很高,并且通常需要估计系统的状态,这在复杂的非结构化环境中可能具有挑战性。强化学习原则上可以放弃对显式状态估计的需要,并获得直接将传感器读数映射到动作的策略,但难以应用于不稳定的系统,这些系统在找到有效的策略之前容易在训练期间发生灾难性故障。我们建议在引导策略搜索的框架中将MPC与强化学习相结合,其中MPC用于在训练时生成数据,在仪表化训练环境提供的全状态观察下。该数据用于训练深度神经网络策略,该策略仅允许访问来自车辆的车载传感器的原始观察结果。经过训练后,神经网络策略可以成功地控制机器人,而不需要知道机器人的全部状态,并且计算成本只有MPC的一小部分。我们评估我们的方法学习避障政策的模拟四旋翼,使用模拟机载传感器和测试时没有明确的状态估计。
2016-02-16 cs.LG cs.RO
Path Integral Guided Policy Search
University of Southern California(南加州大学);Google Brain(谷歌大脑)
我们提出了一种策略搜索方法,学习复杂的反馈控制政策,从高维的感觉输入映射到电机转矩,不连续的接触动力学的操作任务。我们建立在一个先前的技术,称为引导策略搜索(GPS),迭代优化一组本地政策的特定实例的任务,并使用这些训练一个复杂的,高维的全球政策,概括跨任务实例。我们以以下方式扩展GPS:(1)我们提出使用基于路径积分随机最优控制(PI 2)的无模型局部优化器,这使我们能够学习具有高度不连续接触动态的任务的局部策略;以及(2)我们使GPS能够通过使用策略采样在每次迭代中对一组新的任务实例进行训练:这增加了训练策略的实例的多样性,并且对于实现良好的泛化是至关重要的。我们表明,这些贡献使我们能够学习深度神经网络策略,可以直接从视觉输入执行扭矩控制。我们验证了一个具有挑战性的开门任务和拾取和放置任务的方法,我们证明了我们的方法在这些任务上大大优于先前的基于LQR的本地策略优化器。此外,我们表明,对政策采样显着提高这些政策的泛化能力。
2018-10-11 cs.LG cs.RO
Collective Robot Reinforcement Learning with Distributed Asynchronous Guided Policy Search
University of Southern California(南加州大学);Google Brain(谷歌大脑)
原则上,强化学习和策略搜索方法可以使机器人学习高度复杂和通用的技能,使它们能够在现实世界的复杂性和多样性中发挥作用。然而,训练一个能够在广泛的现实世界条件下很好地推广的策略需要比单个机器人收集的经验更大的数量和多样性。幸运的是,多个机器人可以相互分享经验,从而共同学习策略。在这项工作中,我们探索分布式和异步策略学习作为一种手段,以实现泛化和提高训练时间的挑战性,现实世界的操作任务。我们提出了一个分布式和异步版本的引导策略搜索,并使用它来展示集体策略学习基于视觉的开门任务,使用四个机器人。我们表明,它实现了更好的泛化,利用率和训练时间比单一的机器人替代品。
2016-10-03 cs.AI cs.LG cs.RO
SAC-Loco: Safe and Adjustable Compliant Quadrupedal Locomotion
Department of Electrical and Computer Engineering, National University of Singapore(新加坡国立大学电子与计算机工程系);School of Computer Science and Engineering, Sun Yat-sen University(中山大学计算机科学与工程学院)
SAC-Loco提出了一种安全且可调节的四足机器人运动框架,通过可调节的扰动顺应性和鲁棒的故障预防,实现对外部力扰动的稳健响应。
2026-03-07 cs.RO cs.SY eess.SY
Optimal Control-Based Baseline for Guided Exploration in Policy Gradient Methods
School of Computing Science, Simon Fraser University(西蒙菲莎大学计算科学学院);University of Melbourne(墨尔本大学)
本文提出一种基于最优控制值函数的基线,用于深度强化学习策略梯度方法,在策略学习中提供引导探索,并在机器人稀疏奖励任务中验证其有效性。
2024-11-06 cs.AI cs.LG cs.RO
Guided Policy Search using Sequential Convex Programming for Initialization of Trajectory Optimization Algorithms
University of Washington(华盛顿大学)
本文针对轨迹优化对初始猜测敏感的问题,提出一种结合序贯凸规划轨迹更新与随机梯度下降策略更新的引导策略搜索方法,用于生成高质量初始轨迹,并在可重复使用火箭6自由度动力下降制导问题上验证了有效性。
2022-05-19 cs.RO math.OC
Guided Policy Optimization under Partial Observability
School of Advanced Manufacturing and Robotics, Peking University(北京大学先进制造与机器人学院);School of Computer Science, Peking University(北京大学计算机科学学院)
本文提出GPO框架,通过联合训练指导器和学习器,在部分可观察环境中实现与直接RL相当的最优性能,有效解决现有方法的局限性。
2026-03-13 cs.AI cs.LG cs.RO
Adaptive Advantage-Guided Policy Regularization for Offline Reinforcement Learning
National University of Defense Technology(国防科技大学);Shanghai Institute of Microsystem and Information Technology(上海微系统与信息技术研究所);Chinese Academy of Sciences(中国科学院);Delft University of Technology(代尔夫特理工大学)
针对离线强化学习中分布外问题导致现有策略正则化方法过度保守的缺陷,提出结合VAE的自适应优势引导策略正则化方法A2PR,理论上保障策略提升,在D4RL等基准上取得最优性能。
2024-07-15 cs.AI cs.LG cs.RO
Ravestate: Distributed Composition of a Causal-Specificity-Guided Interaction Policy
Roboy
针对人机交互策略设计需求,提出Signal-Rule-Slot框架与因果通路自信息的贝叶斯规则效用概念,给出开源实现Ravestate,实验验证其在多模态场景下的稳定上下文表现,助力更高效的人机交互。
2023-10-03 cs.AI cs.HC cs.RO
Guided Uncertainty-Aware Policy Optimization: Combining Learning and Model-Based Strategies for Sample-Efficient Policy Learning
Stanford University(斯坦福大学);University of California, Berkeley(加州大学伯克利分校);Nvidia(英伟达);University of Toronto(多伦多大学);University of Sydney(悉尼大学);University of Washington(华盛顿大学)
传统的机器人方法依赖于精确的环境模型,如何执行任务的详细描述,以及强大的感知系统来跟踪当前状态。另一方面,强化学习方法可以直接从原始感官输入操作,只有一个奖励信号来描述任务,但样本效率极低且脆弱。在这项工作中,我们将基于模型的方法的优势与基于学习的方法的灵活性相结合,以获得一种通用方法,该方法能够克服机器人感知/驱动管道中的不准确性,同时需要与环境的最小交互。这是通过利用不确定性估计将空间划分为给定的基于模型的政策可靠的区域和可能存在缺陷或定义不明确的区域来实现的。在这些不确定的地区,我们表明,本地学习的政策可以直接与原始的感官输入。我们测试我们的算法,引导不确定性感知策略优化(GUAPO),在现实世界中的机器人执行钉插入。视频可在https://sites.google.com/view/guapo-rl上获得
2020-05-26 cs.AI cs.LG cs.RO
Guided Constrained Policy Optimization for Dynamic Quadrupedal Robot Locomotion
University of Oxford(牛津大学)
深度强化学习(RL)使用无模型技术来优化特定于任务的控制策略。尽管强化学习已成为解决复杂问题的一种有前途的方法,但它仍然很难可靠地用于现实世界的应用。除了精确的奖励函数调整、不准确的传感和驱动以及非确定性响应等挑战外,现有的RL方法不能保证在所需的安全约束内的行为,而这些安全约束对于真实的机器人场景至关重要。在这方面,我们介绍了指导约束策略优化(GCPO),我们的约束近端策略优化(CPPO)跟踪基本速度命令,同时遵循定义的约束的实现的基础上的RL框架。我们还介绍了计划,鼓励状态恢复到约束区域的情况下,约束违反。我们提出了我们的训练方法的实验结果,并在真正的ANYmal四足机器人上进行测试。我们将我们的方法与无约束RL方法进行比较,结果表明,引导约束RL提供了更快的收敛速度,接近所需的最佳结果,从而获得最佳的,但物理上可行的机器人控制行为,而无需精确的奖励函数调整。
2020-02-22 cs.LG cs.RO cs.SY
Robust Driving Policy Learning with Guided Meta Reinforcement Learning
Korea Advanced Institute of Science and Technology(韩国科学技术院);Stanford University(斯坦福大学);Honda Research Institute USA(美国本田研究所)
针对深度强化学习驾驶策略易过拟合固定社会车辆行为的问题,提出用引导元强化学习训练社会车辆元策略,再用其提升自车策略鲁棒性,在无管制T路口实现了对分布外社会车辆行为的良好泛化。
2023-07-19 cs.AI cs.CV cs.LG