基于Kuramoto模型的以目标为中心的强化学习在机器人操控任务中的应用 列昂尼德·乌加迪亚罗夫(Leonid Ugadiarov)和 亚历山大·帕诺夫(Aleksandr Panov)

《Technologies》:Kuramoto Object-Centric Reinforcement Learning for Robotic Manipulation Tasks Leonid Ugadiarov and Aleksandr Panov

【字体: 大 中 小 】 时间:2026年05月01日 来源:Technologies 3.6

编辑推荐:

   摘要 基于模型的强化学习(MBRL)是一种在控制策略学习中实现高样本效率的有前景的方法。现有的MBRL世界模型通常将环境状态表示为单一的全局潜在向量。然而,这种表示方式限制了模型捕捉物体交互和理解单个物体的能力,而这些能

  

摘要

基于模型的强化学习(MBRL)是一种在控制策略学习中实现高样本效率的有前景的方法。现有的MBRL世界模型通常将环境状态表示为单一的全局潜在向量。然而,这种表示方式限制了模型捕捉物体交互和理解单个物体的能力,而这些能力对于视觉驱动的面向对象任务至关重要,可能导致样本效率降低。为了解决这一限制,我们提出了以物体为中心的强化学习算法(KORL),该算法学习一个以物体为中心的世界模型。我们的方法引入了一种新颖的Kuramoto Slot Attention for Video(KSAVi)模型,该模型将Kuramoto振荡神经元与Slot Attention模块结合起来,以稳健地提取物体表示。我们设计了一个世界模型,该模型利用这些结构化的以物体为中心的潜在信息,并通过图神经网络预测物体动态,从而在模拟物体交互时引入了归纳偏见。我们在一系列视觉多样性高的面向对象的机器人操控任务上评估了KORL,并证明了我们的方法优于以物体为中心的无模型和基于模型的方法。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号