データ効率の良い強化学習を用いた低コストのマニピュレーターの制御学習

近年、構造化されていない環境におけるロバストな操作に大きな進展がありました。我々の研究の長期的な目標は、精度は高いが非常に高価なロボットシステムから脱却し、子供と遊ぶといったタスクを対話的に実行できる、手頃で可能性がある不正確な自己適応型マニピュレーターシステムを開発することです。本論文では、低コストの市販ロボットシステムが、数回の試行からスタートしてスタッキングタスクのためのクローズドループポリシーを学習する方法を示します。我々のマニピュレーターは不正確で、ポーズフィードバックは提供しません。Kinectスタイルの深度カメラの作業空間でコントローラを学習するために、モデルベースの強化学習手法を使用します。我々の学習方法はデータ効率が高く、モデルバイアスを軽減し、長期計画中にいくつかのノイズ源に原則的に対処します。状態空間制約を学習プロセスに組み込む方法を提示し、スタッキングタスクの連続構造を利用して学習の向上を分析します。