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

Abstract

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.