MeMo: Meaningful, Modular Controllers via Noise Injection

这篇文章介绍了一种新的方法，它可以利用一个机器人及其控制器作为输入，为每个机器人组件生成一组模块化控制器，从而使得当使用相同零部件建造新机器人时，可以通过重复使用这些模块化控制器来快速学习其控制。这个方法使用了一个称为MeMo的框架，它学习有意义的、模块化的控制器。具体来说，作者提出了一种新的模块化目标，以学习模块之间的适当分工。作者证明了这个目标可以通过注入噪声来同时优化标准的行为克隆损失。作者在简单到复杂的机器人形态转移的运动和抓取环境中对这个框架进行了基准测试。作者还展示了模块在任务转移中的帮助。在结构和任务转移方面，MeMo实现了比图神经网络和Transformer基线更高的训练效率。

本论文旨在解决机器人组装标准化部件后需要重新训练的问题，提出了一种新的框架MeMo，可以为每个部件生成模块化控制器，以便在新机器人上快速学习控制。

MeMo框架通过噪声注入实现了一种新的模块化目标，以学习适当的模块分工，并同时优化标准行为克隆损失，从而实现对机器人组装部件的快速控制。

论文在步态和抓取环境中进行了基准测试，并展示了模块化控制器在任务转移中的优势。MeMo相较于图神经网络和Transformer基线实现了更高的训练效率。

与此相关的研究包括基于深度学习的机器人控制和模块化控制器的研究。