CoachGAN: Fast Adversarial Transfer Learning between Differently Shaped Entities

Mounsif, Mehdi; Lengagne, Sébastien; Thuilot, Benoı̂t; Adouane, Lounis

doi:10.5220/0009972200890096

Cited by 2 publications

(1 citation statement)

References 0 publications

Supporting

Mentioning

Contrasting

Order By: Relevance

“…Transfer between morphologically distinct robots on the other hand, is currently less studied in the scientific literature. A method proposed in [10] encapsulates and leverages skills learned by a task expert by using GAN's discriminators as support for the knowledge transfer. Work by Gupta and Devin [11] presents a method to learn an invariant feature space for transferring skills between different robots.…”

Section: Related Workmentioning

confidence: 99%

Delay Aware Universal Notice Network: Real world multi-robot transfer learning

Beaussant

Lengagne

Thuilot

et al. 2021

2021 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS)

Self Cite

View full text Add to dashboard Cite

Un problème majeur lors du passage de la simulation à la réalité est le retard sur le robot physique qui peut détériorer les performances de l'agent déployé. En outre, une fois qu'une politique de contrôle basée sur l'apprentissage a été entraînée avec succès, la réaffectation des connaissances acquises par l'agent pour permettre à un agent structurellement distinct d'effectuer la même tâche est dangereuse si elle est effectuée naïvement. Dans ce travail, nous abordons les problèmes ci-dessus avec une seule méthode, le DA-UNN (Delay Aware Universal Notice Network), qui décompose les connaissances en modules spécifiques au robot et à la tâche pour un transfert rapide. Notre méthode traite les retards immanents aux systèmes physiques afin d'améliorer le transfert sim2réel. Nous évaluons l'efficacité de notre approche en utilisant des robots simulés et réels sur une tâche de manipulation dynamique où la gestion des délais est cruciale.

show abstract

Section: Related Workmentioning

confidence: 99%