【标题】Graph and Dynamics Interpretation in Robotic Reinforcement Learning Task

【作者团队】Zonggui Yao, Jun Yu, Jian Zhang, Wei He

【发表日期】2022.8.11

【论文链接】https://www.sciencedirect.com/science/article/pii/S0020025522009276

【推荐理由】机器人控制任务通常通过强化学习方法以循环试验和学习的方式解决。现有的深度学习方法通​​过训练控制算法中的动态函数、价值函数或策略函数的近似模型来实现控制。然而，这些方法通常从统计角度处理建模，而不考虑机器人运动的物理特性。典型问题之一是通过机器人不同部位的力传递，机器人动力学量的计算容易被忽略。为此，本文建议使用力传递图来解释机器人运动遵循的力传递机制，并用二次模型估计机器人运动的动力学量。考虑到这一点，本文提出了一种基于模型的机器人控制强化学习框架，其中动态模型包括两个组件，即图卷积网络（GCN）和两层感知（TLP）网络。GCN 用作力传递图的参数估计器和结构特征提取器。TLP 网络近似于应该能够估计机器人运动的动力学量的二次模型。出于这个原因，所提出的框架被命名为强化学习方法中动态估计的GCN（简称GDRL）。所部署的方法解释了通过机器人肢体传递机器人力的内在机制，因此该模型具有高度的可解释性。


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