.png){kind=icon}
返回
Abstraction Refinement-Guided Program Synthesis for Robot Learning from Demonstrations
.png){kind=icon}
PRE
AI
DOI：10.1145/3763070.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
过去十年中，深度强化学习（RL）技术显著提升了机器人系统的性能。然而，由于神经网络模型的复杂架构，确保其可信性是一项重大挑战。程序化强化学习已作为一种有前景的方法浮出水面。但机器人控制程序的合成仍然具有挑战性。现有方法依赖于填充有用户定义的状态抽象谓词和作为抽象动作的低层控制器库的领域特定语言（DSLs）来启动合成，这在缺乏此类预定义组件的未知环境中并不实用。为解决此局限性，我们引入了RoboScribe，一种新颖的抽象精化引导程序合成框架，该框架能从高维连续空间中的原始、未分段任务演示中自动推导出机器人的状态和动作抽象。它通过迭代地丰富和精化初始粗糙的抽象，直至生成在抽象机器人环境中解决问题的程序。RoboScribe能够通过直接从机器人的原始、连续状态和动作空间推断重复子程序来有效合成迭代程序，无需预定义抽象。实验结果表明，RoboScribe程序能归纳泛化到涉及任意数量物体的长时域机器人任务中，在可解释性和效率方面均优于基线方法。
Keyword:
Program Synthesis
Abstraction Refinement
Reinforcement Learning
期刊
P
IF:
2.8
论文数:
308
被引数:
4.7K
机构
引用论文
.png){kind=icon}
Discovering State and Action Abstractions for Generalized Task and Motion Planning发现用于广义任务与运动规划的状态和动作抽象
OAAI
OAAI分享收藏分享收藏
查看更多内容