.png){kind=icon}
返回
Object-Centric Dreamer
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-032-04558-4_13.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
将世界理解为由相互作用的物体组成的集合是一种重要的认知能力。然而，在强化学习（RL）设置中，学习能够无监督捕捉个体实体及其关系的结构化世界模型仍然是一个具有挑战性且研究不足的问题。为解决这一挑战，我们提出了基于物体的梦境者（Object-Centric Dreamer），一种实现动态系统物体中心表示归纳偏置的基于模型算法。在我们的方法中，物体中心表示通过基于槽位注意力（Slot-Attention）模块的编码器从高维视觉观测中提取。我们首先引入物体中心循环状态空间模型（OCRSSM），该模型采用图神经网络（GNN）来预测给定环境中的动态。接下来，我们将OCRSSM与在隐空间中基于想象物体中心轨迹训练的GNN演员-评论家策略集成。在具有不同动态的环境的物体中心任务上评估我们的方法时，我们证明物体中心世界模型使智能体能够更高效地解决问题。
Keyword:
Reinforcement learning
World model
Object-centric representation
Graph neural network
Recurrent state-space model
期刊
A
IF:
0
论文数:
53
被引数:
0
机构
引用论文
.png){kind=icon}
Challenges and Opportunities in Deep Reinforcement Learning With Graph Neural Networks: A Comprehensive Review of Algorithms and Applications图神经网络深度强化学习的挑战与机遇: 算法与应用综述
OAAI
OAAI分享收藏分享收藏分享收藏
查看更多内容