【标题】Continuous control actions learning and adaptation for robotic manipulation through reinforcement learning

【作者团队】Asad Ali Shahid, Dario Piga, Francesco Braghin, Loris Roveda

【发表日期】2022.2.9

【论文链接】https://link.springer.com/content/pdf/10.1007/s10514-022-10034-z.pdf

【推荐理由】本文提出了一种基于学习的方法，利用仿真数据，使用两种无模型强化学习算法（RL）来学习对象操作任务。比较了基于策略和非策略算法的学习性能：近端策略优化（PPO）和软参与者批评（SAC）。为了加快学习过程，提出了一种微调程序，该程序演示了基于策略的RL对新环境的持续适应，允许学习到的策略适应并执行（部分）修改的任务。为任务设计了一个密集的奖励函数，以实现对智能体的有效学习。将涉及Franka Emika Panda机械手的抓取任务视为要学习的参考任务。学习到的控制策略被证明可以推广到多个物体几何形状和初始机器人/零件配置中。

内容中包含的图片若涉及版权问题，请及时与我们联系删除