SwePub
Sök i SwePub databas

  Utökad sökning

Träfflista för sökning "id:"swepub:oai:DiVA.org:kth-306450" "

Sökning: id:"swepub:oai:DiVA.org:kth-306450"

  • Resultat 1-1 av 1
Sortera/gruppera träfflistan
   
NumreringReferensOmslagsbildHitta
1.
  • Arndt, Karol, et al. (författare)
  • Meta Reinforcement Learning for Sim-to-real Domain Adaptation
  • 2020
  • Ingår i: 2020 IEEE International Conference On Robotics And Automation (ICRA). - : IEEE. ; , s. 2725-2731
  • Konferensbidrag (refereegranskat)abstract
    • 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.
  •  
Skapa referenser, mejla, bekava och länka
  • Resultat 1-1 av 1
Typ av publikation
konferensbidrag (1)
Typ av innehåll
refereegranskat (1)
Författare/redaktör
Kyrki, Ville (1)
Ghadirzadeh, Ali (1)
Arndt, Karol (1)
Hazara, Murtaza (1)
Lärosäte
Kungliga Tekniska Högskolan (1)
Språk
Engelska (1)
Forskningsämne (UKÄ/SCB)
Naturvetenskap (1)
År
2020 (1)

Kungliga biblioteket hanterar dina personuppgifter i enlighet med EU:s dataskyddsförordning (2018), GDPR. Läs mer om hur det funkar här.
Så här hanterar KB dina uppgifter vid användning av denna tjänst.

 
pil uppåt Stäng

Kopiera och spara länken för att återkomma till aktuell vy