DRIFT: Deep Reinforcement Learning for Intelligent Floating Platforms Trajectories

要約

この調査では、シミュレーション環境と現実世界の両方の環境でフローティング プラットフォームを制御するための、新しい深層強化学習ベースのスイートを導入します。
浮遊プラットフォームは、地球上の微小重力環境をエミュレートするための多用途のテストベッドとして機能します。
私たちのアプローチは、動的で予測不可能な状況の中で正確な操作が可能なポリシーを訓練することによって、そのようなプラットフォームを制御する際のシステムと環境の不確実性に対処します。
最先端の深層強化学習技術を活用することで、当社のスイートは堅牢性、適応性、シミュレーションから現実への良好な移行性を実現します。
当社の深層強化学習 (DRL) フレームワークは、高速トレーニング時間、大規模テスト機能、豊富な視覚化オプション、現実世界のロボット システムと統合するための ROS バインディングなどの利点を提供します。
ポリシー開発を超えて、当社のスイートは研究者向けの包括的なプラットフォームを提供し、https://github.com/elharirymatteo/RANS/tree/ICRA24 でオープンアクセスを提供します。

要約(オリジナル)

This investigation introduces a novel deep reinforcement learning-based suite to control floating platforms in both simulated and real-world environments. Floating platforms serve as versatile test-beds to emulate microgravity environments on Earth. Our approach addresses the system and environmental uncertainties in controlling such platforms by training policies capable of precise maneuvers amid dynamic and unpredictable conditions. Leveraging state-of-the-art deep reinforcement learning techniques, our suite achieves robustness, adaptability, and good transferability from simulation to reality. Our Deep Reinforcement Learning (DRL) framework provides advantages such as fast training times, large-scale testing capabilities, rich visualization options, and ROS bindings for integration with real-world robotic systems. Beyond policy development, our suite provides a comprehensive platform for researchers, offering open-access at https://github.com/elharirymatteo/RANS/tree/ICRA24.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google