Reward Redesign

机器人研究人员通过迁移学习增强运动规划

研究人员开发了一个新框架 iCEM+TL，以提高机器人操作任务的低级运动规划效率。该方法结合了样本高效交叉熵方法 (iCEM) 和迁移学习 (TL)，将参数从简单任务转移到更复杂的任务。该框架还通过任务分解来整合奖励重塑 (RR)，以实现堆叠和货架放置等特定动作。模拟显示成功率提高了 23%，并且该方法已在真实的 Franka Emika 机器人上成功演示。