픽셀에서 물체 조작을 위한 엔티티 중심 강화 학습

물체를 조작하는 것은 인간 지능의 전형적인 특징이며, 로봇 공학과 같은 분야에서 중요한 작업입니다. 원칙적으로 강화 학습(RL)은 물체 조작을 학습하기 위한 일반적인 접근 방식을 제공합니다. 그러나 실질적으로, 몇 개 이상의 물체가 있는 도메인은 차원의 저주로 인해 RL 에이전트에게 어려움을 주며, 특히 원시 이미지 관찰에서 학습할 때 더욱 그렇습니다. 본 연구에서는 여러 물체와 그 상호 작용을 표현하기에 적합한 시각적 RL을 위한 구조화된 접근 방식을 제안하고, 이를 사용하여 여러 물체의 목표 조건 조작을 학습합니다. 우리의 방법의 핵심은 물체 간에 의존 관계가 있는 목표를 다룰 수 있는 능력입니다(예: 특정 순서로 물체 이동). 우리는 또한 구성적 일반화에 대한 이론적 결과를 바탕으로 훈련된 에이전트의 일반화 능력과 우리의 아키텍처를 연관시키고, 3개의 물체로 학습하지만 10개 이상의 물체와 유사한 작업에 일반화되는 에이전트를 보여줍니다. 비디오 및 코드는 프로젝트 웹사이트에서 확인할 수 있습니다: https://sites.google.com/view/entity-centric-rl