Improving Sample Efficiency of Example-Guided Deep Reinforcement Learning for Bipedal Walking
Rattachement africain : de. Niveau de preuve : code pays fourni par la source.
Le résumé fourni par la source
Reinforcement learning holds a great promise of enabling bipedal walking in humanoid robots. However, despite encouraging recent results, training still requires significant amounts of time and resources, precluding fast iteration cycles of the control development. Therefore, faster training methods are needed. In this paper, we investigate a number of techniques for improving sample efficiency of on-policy actor-critic algorithms and show that a significant reduction in training time is achievable with a few straightforward modifications of the common algorithms, such as PPO and DeepMimic, tailored specifically towards the problem of bipedal walking. Action space representation, symmetry prior induction, and cliprange scheduling proved effective at reducing sample complexity by a factor of 4.5. These results indicate that domain-specific knowledge can be readily utilized to reduce training times and thereby enable faster development cycles in challenging robotic applications.
Ce résumé expose les affirmations des auteurs. BNTIC ne l’interprète pas comme une validation indépendante des résultats.
Le contrôle bibliographique ouvert
DOI retrouvé dans Crossref DOI retrouvé ; titre concordant.
- Titre Crossref
- Improving Sample Efficiency of Example-Guided Deep Reinforcement Learning for Bipedal Walking
- Date Crossref
- 28/11/2022
- Éditeur
- IEEE
- Type
- proceedings-article
Ce recoupement confirme des métadonnées liées au DOI. Il ne confirme ni la méthode ni les conclusions de l’étude, et il ne compte pas comme une seconde source scientifique indépendante.
Où se fait cette recherche
-
Technische Universität Darmstadt pays non établi dans la noticeUniversité ou école supérieure
-
Institute for Sports Medicine pays non établi dans la noticeInstitution
-
Intelligent Autonomous Systems Lab Department of Computer Science pays non établi dans la noticeStructure de recherche
-
Lauflabor Locomotion Laboratory pays non établi dans la noticeStructure de recherche
-
Institute of Sport Science pays non établi dans la noticeStructure de recherche
Technische Universität Darmstadt, Institute for Sports Medicine et Department of Computer Science — Intelligent Autonomous Systems Lab, avec 2 autres affiliations.
Une affiliation ne permet pas de déduire la nationalité d’un auteur.