典型文献
一种基于生成对抗网络与模型泛化的机器人推抓技能学习方法
文献摘要：
杂乱环境中机器人推动与抓取技能自主学习问题被学者广泛研究,实现二者之间的协同是提升抓取效率的关键,本文提出一种基于生成对抗网络与模型泛化的深度强化学习算法GARL-DQN.首先,将生成对抗网络嵌入到传统DQN中,训练推动与抓取之间的协同进化;其次,将MDP中部分参数基于目标对象公式化,借鉴事后经验回放机制(HER)提高经验池样本利用率;然后,针对图像状态引人随机(卷积)神经网络来提高算法的泛化能力;最后,设计了 12个测试场景,在抓取成功率与平均运动次数指标上与其他4种方法进行对比,在规则物块场景中两个指标分别为91.5％和3.406;在日常工具场景中两个指标分别为85.2％和8.6,验证了 GARL-DQN算法在解决机器人推抓协同及模型泛化问题上的有效性.
文献关键词：
推抓技能学习;生成对抗网络;DQN;模型泛化
中图分类号：
作者姓名：
吴培良;刘瑞军;李瑶;陈雯柏;高国伟
作者机构：
燕山大学信息科学与工程学院 秦皇岛 066004;河北省计算机虚拟技术与系统集成重点实验室 秦皇岛 066004;北京信息科技大学自动化学院 北京 100192
文献出处：
引用格式：
[1]吴培良;刘瑞军;李瑶;陈雯柏;高国伟-.一种基于生成对抗网络与模型泛化的机器人推抓技能学习方法)[J].仪器仪表学报,2022(05):244-253
A类：
推抓技能学习,GARL
B类：
生成对抗网络,模型泛化,杂乱环境,抓取,学习问题,同是,深度强化学习算法,DQN,网络嵌入,协同进化,MDP,公式化,经验回放机制,HER,经验池,本利,泛化能力,测试场景
AB值：
0.245564
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
