绑定手机号
获取验证码
确认绑定
提问
0/255
提问
订阅开课提醒需关注服务号
回答成功
知道了
扫码关注智东西公开课服务号登录
请使用微信扫描二维码
扫描二维码分享给微信好友
您已订阅成功,有新课程,我们将第一时间提醒您。
知道了
发送提问成功
回答可在
“我的——我的提问”中查看
知道了
失败
欢迎来智东西
关注我们
智东西
车东西
芯东西
智东西公开课
基于模型的主动感知机器人强化学习系统
AI新青年讲座 2024/01/30 19:00:00
课程讲师
吕峻 上海交通大学 MVIG实验室在读博士

师从卢策吾老师,入选上海交通大学吴文俊人工智能荣誉博士班,在RSS、CoRL、ICRA、CVPR等学术会议发表论文7篇,曾获得2023年RSS最佳系统论文奖提名。

吕峻
上海交通大学 MVIG实验室在读博士

师从卢策吾老师,入选上海交通大学吴文俊人工智能荣誉博士班,在RSS、CoRL、ICRA、CVPR等学术会议发表论文7篇,曾获得2023年RSS最佳系统论文奖提名。

课程提纲
  • 1、基于模型的机器人学习面临的问题
  • 2、基于可微分仿真与渲染的有模型强化学习
  • 3、主动提高感知质量的算法框架SAM-RL
  • 4、在虚拟与真实环境中的应用
课程简介

机器人学习是具身智能领域中一项重要的研究课题。基于模型的强化学习(Model-based RL)是智能体在对周围环境进行建模的基础上进行各类操作学习,相较于无模型的强化学习(Model-Free RL)被认为在样本效率方面具有显著优势。然而,如何更高效、精准、自动化地从原始传感器信号(例如图像信息)中建立对周边环境的建模,并基于此学习操作技巧一直以来都是一个具有挑战性的问题。

针对当前基于模型的强化学习所面临的困境,上海交大卢策吾老师团队提出一种可以主动提高感知质量、基于模型的机器人强化学习系统SAM-RL。

SAM-RL可以对周围环境进行建模并在操作过程中对模型进行更新(Real2Sim),在模型中学习各类操作机器(Learn@Sim);并将学习到的技巧迁移到现实中去(Sim2Real)。为了更精准的对环境进行建模,SAM-RL系统还可以使用机械臂控制相机,主动地选择信息更为丰富的相机视角。我们在虚拟与真实环境中的三个不同任务上应用了SAM-RL,展示出了不错的样本效率与性能。

与SAM-RL相关的论文成果收录于RSS 2023顶会上,并被提名为Best System Paper,是国内论文在该会议中首次获得提名。

1月30日19点,智猩猩邀请到论文一作、上海交通大学MVIG实验室在读博士吕峻参与「AI新青年讲座」233讲,主讲《基于模型的主动感知机器人强化学习系统》。

精彩问答
提问
提问
目前还没有问题,可以点击右侧的“提问按钮”提问
更多问题...