Améliorer l'apprentissage des robots avec la modélisation de la morphologie basée sur les transformateurs

Résumé Le modèle de transformateur a réalisé des progrès significatifs dans divers domaines grâce à un entraînement à grande échelle. En revanche, le robot traditionnel exécute une seule tâche, et il existe un problème de migration du modèle stratégique. Dans cette étude, une méthode d'apprentissage de la morphologie des robots (RML) est proposée pour améliorer l'efficacité et les performances de généralisation en apprenant plusieurs tâches dans un modèle de transformateur. RML construit la morphologie du robot comme un graphe et utilise un réseau neuronal graphique pour gérer des graphes de connexions et de tailles arbitraires, abordant la disparité dans les dimensions de l'espace d'état et d'action. RML surmonte la limitation de non-migration des modèles, réalise un entraînement efficace et améliore les performances de généralisation des modèles, permettant une adaptation rapide à de nouvelles tâches. Les résultats expérimentaux montrent que la méthode proposée surpasse les méthodes précédentes tant dans les expériences d'apprentissage multi-tâches que d'apprentissage par transfert.