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.

SpeedAug: Policy Acceleration via Tempo-Enriched Policy and RL Fine-Tuning

Created by
  • Haebom
Category
Empty

저자

Taewook Nam, Sung Ju Hwang

SpeedAug: RL-based Policy Acceleration for Robotic Manipulation

개요

본 논문은 로봇 정책 학습의 발전을 바탕으로, 실제 환경에서의 복잡한 조작을 가능하게 하는 동시에, 더 빠른 시연 수집 비용으로 인해 정책 실행 속도가 하드웨어 성능에 미치지 못하는 문제를 해결하고자 한다. SpeedAug는 속도 증강 시연으로 사전 훈련된 정책을 기반으로 RL(강화 학습)을 활용하여, 추가적인 시연 없이 정책을 빠르게 실행하도록 효율적으로 적응시키는 프레임워크를 제안한다.

시사점, 한계점

•
시사점:
◦
RL 기반의 정책 가속화 프레임워크인 SpeedAug 제안.
◦
속도 증강 시연을 통해 다양한 실행 속도를 포괄하는 행동 사전 구성.
◦
Tempo-enriched 정책을 통해 RL 미세 조정의 샘플 효율성 향상.
◦
로봇 조작 벤치마크에서 기존 RL 및 정책 가속화 방법보다 우수한 성능 달성.
•
한계점:
◦
구체적인 한계점은 논문 내용에서 명시되지 않음. (논문 요약에서 확인 불가)
👍
Made with Slashpage