Meta Reinforcement Learning for Sim-to-real Domain Adaptation

Karol Arndt, Murtaza Hazara, Ali Ghadirzadeh, Ville Kyrki

Tutkimustuotos: Artikkeli kirjassa/konferenssijulkaisussaConference contributionScientificvertaisarvioitu

4 Sitaatiot (Scopus)

Abstrakti

Modern reinforcement learning methods suffer from low sample efficiency and unsafe exploration, making it infeasible to train robotic policies entirely on real hardware. In this work, we propose to address the problem of sim-to-real domain transfer by using meta learning to train a policy that can adapt to a variety of dynamic conditions, and using a task-specific trajectory generation model to provide an action space that facilitates quick exploration. We evaluate the method by performing domain adaptation in simulation and analyzing the structure of the latent space during adaptation. We then deploy this policy on a KUKA LBR 4+ robot and evaluate its performance on a task of hitting a hockey puck to a target. Our method shows more consistent and stable domain adaptation than the baseline, resulting in better overall performance.
AlkuperäiskieliEnglanti
OtsikkoProceedings of the IEEE Conference on Robotics and Automation, ICRA 2020
KustantajaIEEE
Sivut2725-2731
Sivumäärä7
ISBN (elektroninen)978-1-7281-7395-5
DOI - pysyväislinkit
TilaJulkaistu - 2020
OKM-julkaisutyyppiA4 Artikkeli konferenssijulkaisuussa
TapahtumaIEEE International Conference on Robotics and Automation - Online
Kesto: 31 toukokuuta 202031 elokuuta 2020

Julkaisusarja

NimiIEEE International Conference on Robotics and Automation
KustantajaIEEE
ISSN (painettu)2152-4092
ISSN (elektroninen)2379-9552

Conference

ConferenceIEEE International Conference on Robotics and Automation
LyhennettäICRA
Ajanjakso31/05/202031/08/2020

Sormenjälki

Sukella tutkimusaiheisiin 'Meta Reinforcement Learning for Sim-to-real Domain Adaptation'. Ne muodostavat yhdessä ainutlaatuisen sormenjäljen.

Siteeraa tätä