Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

Robot Policy Transfer with Online Demonstrations: An Active Reinforcement Learning Approach

Created by
  • Haebom
Category
Empty

저자

Muhan Hou, Koen Hindriks, A. E. Eiben, Kim Baraka

개요

본 논문은 정책 전이(Policy Transfer)에 온라인 시범(Online Demonstrations)을 도입하는 방법을 제시합니다. 기존의 정책 전이 방법들은 주로 오프라인 시범에 의존하여 공분산 이동(Covariance Shift) 문제에 직면하는 한계가 있었습니다. 본 연구는 제한된 시범 예산 하에서 온라인 에피소드 전문가 시범의 시기와 내용을 최적화하는 능동적 LfD(Learning from Demonstrations) 알고리즘인 "Policy Transfer with Online Demonstrations"을 제안합니다. 다양한 환경 특성, 작업 목표, 로봇 구현을 포함하는 8가지 로봇 시나리오에서 오프라인 시범 기반의 두 가지 기존 LfD 방법과 온라인 시범 기반의 능동적 LfD 방법과 비교하여 평균 성공률과 샘플 효율성 측면에서 성능 향상을 보였으며, 실제 로봇 조작기에서의 시뮬레이션-실제(sim-to-real) 전이 실험도 진행했습니다.

시사점, 한계점

•
시사점:
◦
온라인 시범을 활용한 정책 전이 방법이 오프라인 시범 기반 방법보다 샘플 효율성 및 성공률을 크게 향상시킬 수 있음을 보여줍니다.
◦
제한된 시범 예산 하에서 효과적으로 온라인 시범을 활용하는 능동적 LfD 알고리즘의 가능성을 제시합니다.
◦
시뮬레이션에서 학습된 정책을 실제 로봇에 성공적으로 전이할 수 있음을 보여줍니다.
•
한계점:
◦
실제 환경에서의 실험 범위가 제한적입니다. (3개의 시나리오만 실험)
◦
제안된 방법의 일반화 성능에 대한 추가적인 연구가 필요합니다.
◦
더욱 복잡하고 다양한 작업에 대한 적용성 검증이 필요합니다.
👍
Made with Slashpage