使用模拟到真实的强化学习来训练机器人在广泛的环境中完成简单的任务_电子与半导体

Using sim-to-real reinforcement learning to train robots to do simple tasks in broad environments

加州大学伯克利分校的一组机器人专家报告说，通过使用模拟到真实的强化学习来训练机器人，可以训练它们完成相对简单的任务。在他们发表在《科学机器人》(Science Robotics)杂志上的研究中，研究小组训练了一个机器人，让它在不熟悉的环境中负重行走，而且没有摔倒。

在过去的几年里，机器人专家已经使用了各种各样的技术来训练机器人在不同的环境中高效、快速地移动。但正如研究人员在这项新研究中指出的那样，这种机器人并没有很多有用的应用。他们认为，能够以缓慢但高效的方式执行日常任务的机器人将会更有用。为此，他们转向了模拟到真实的强化学习。

这项技术包括训练一个模拟版本的机器人，让它在模拟环境中接触数十亿个例子，从而完成预期的任务。该方法还包括使用奖励/惩罚系统作为机器人训练的一部分——例如，如果它在试图实现目标时做对了某件事，它就会得到一个“1”的奖励。但是，如果它做错了什么，它会收到一个“-1”。随着时间的推移，它会提高自己的表现，因为它寻求增加奖励的数量。

研究小组用这种方法训练了一个名叫Digit的机器人，让它在城镇未知的地方沿着人行道行走，在被一个大球多次袭击后恢复过来，克服身体上的束缚，走过可能会导致它绊倒的材料，背一个背包，把一袋垃圾扔进垃圾桶，用手提袋携带个人物品。

研究人员建议，模拟到真实的强化学习可以用于在现实环境中训练机器人，如家庭、办公室或工厂车间。他们指出，这个想法是为了让机器人更有用。

更多信息:Ilija Radosavovic等人，现实世界的人形运动与强化学习，科学机器人(2024)。DOI: 10.1126 / scirobotics。期刊信息:Science Robotics

引用:利用模拟到真实的强化学习，训练机器人在广阔的环境中完成简单的任务 nments(2024, 4月18日)检索自https://techxplore.com/news/2024-04-sim-real-robots-simple-tasks.html本文档作品受版权保护。除为私人学习或研究目的而进行的任何公平交易外，未经书面许可，不得转载任何部分。的有限公司内容仅供参考之用。