Reinforcement Learning with Lie Group Orientations for Robotics

要約

ロボットとオブジェクトの方向の処理は、多くのアプリケーションにとって重要な側面です。
しかし、向きを扱う場合、特に人工ニューラル ネットワークなどを含む学習パイプラインでは、数学的正確さが欠如していることがよくあります。
この論文では、向きを使用した強化学習を調査し、向きのリー群構造に従うネットワークの入力と出力の簡単な変更を提案します。
その結果、既存の学習ライブラリで直接使用できる簡単で効率的な実装が得られ、他の一般的な方向表現よりも大幅に優れたパフォーマンスを実現します。
私たちのアプローチを動機づけ、概要を説明するために、特にロボット工学の方向性に関するリー理論を簡単に紹介します。
その後、状態とアクションの方向表現のさまざまな組み合わせを徹底的に経験的に評価することで、直接方向制御、エンドエフェクター方向制御、ピックアンドプレイスタスクなどのさまざまなシナリオで、提案したアプローチの優れたパフォーマンスが実証されました。

要約(オリジナル)

Handling orientations of robots and objects is a crucial aspect of many applications. Yet, ever so often, there is a lack of mathematical correctness when dealing with orientations, especially in learning pipelines involving, for example, artificial neural networks. In this paper, we investigate reinforcement learning with orientations and propose a simple modification of the network’s input and output that adheres to the Lie group structure of orientations. As a result, we obtain an easy and efficient implementation that is directly usable with existing learning libraries and achieves significantly better performance than other common orientation representations. We briefly introduce Lie theory specifically for orientations in robotics to motivate and outline our approach. Subsequently, a thorough empirical evaluation of different combinations of orientation representations for states and actions demonstrates the superior performance of our proposed approach in different scenarios, including: direct orientation control, end effector orientation control, and pick-and-place tasks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google