我们将深度Q-Learning成功背后的理念与持续的
动作域。我们提出了一种基于确定性模型的无模型算法
可以在连续动作空间上操作的策略梯度。使用
同样的学习算法，网络结构和超参数，我们的算法
稳健地解决20多个模拟物理任务，包括经典
如手推车摆动、灵巧操作、腿部运动等问题
还有开车。我们的算法能够找到性能具有竞争力的策略
与那些发现的规划算法完全访问的动态
域及其衍生物的。我们进一步证明，对于许多
任务算法可以“端到端”学习策略：直接从原始像素输入。
2021-12-29 13:02:26
668KB
1
强化学习范式原则上允许复杂行为
直接从简单的奖励信号中学习。然而，在实践中，情况确实如此
常见的手工设计奖励功能，以鼓励特定的
解决方案，或从演示数据中导出。本文探讨了如何丰富
环境有助于促进复杂行为的学习。明确地
我们在不同的环境环境中培训代理人，并发现这鼓励了他们
在一系列任务中表现良好的稳健行为的出现。
我们为运动演示了这一原则——众所周知的行为
他们对奖励选择的敏感度。我们在一个平台上训练几个模拟物体
使用一个简单的奖励功能，可以设置各种具有挑战性的地形和障碍
基于向前的进展。使用一种新的可伸缩策略梯度变体
强化学习，我们的特工可以根据需要学习跑、跳、蹲和转身
在没有明确的基于奖励的指导的环境下。对……的视觉描绘
学习行为的要点可以在本视频中查看。
2021-12-24 12:08:07
2.23MB
1
设计了一种结构简单、自由度少、行走灵活的小型双足机器人,并用电子罗盘HMC5883对机器人的行走路径进行实时反馈与校正,深入研究了机器人的运动控制。设计的机器人主要靠腰部转动带动前行,以保持行走的稳定性;增加双足之间的距离以加大步幅,增加舵机转速以提高机器人的运动速度。
2021-09-19 23:10:37
313KB
1
WPF 3D动画实例。结合最新的机器人控制技术，使用3D场景模拟机器人的动作轨迹。本例旨在模拟机器人运动控制的内在机制。温馨提示：学习本例需要一定的数学基础。没有基础也没关系，示例中给出了较为详尽的解释。想要直接查看示例效果，直接运行".../bin/kuka.exe"。 祝你生活愉快！
2021-09-09 11:20:47
2.71MB
1