Data-driven Policy Transfer with Imprecise Perception Simulation

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21230%2F18%3A00322428" target="_blank" >RIV/68407700:21230/18:00322428 - isvavai.cz</a>

Nalezeny alternativní kódy

RIV/68407700:21730/18:00322428

Výsledek na webu

<a href="http://cmp.felk.cvut.cz/pub/cmp/articles/svoboda/Pecka-Zimermann-Petrlik-Svoboda-IEEE-RAL-2018.pdf" target="_blank" >http://cmp.felk.cvut.cz/pub/cmp/articles/svoboda/Pecka-Zimermann-Petrlik-Svoboda-IEEE-RAL-2018.pdf</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1109/LRA.2018.2857927" target="_blank" >10.1109/LRA.2018.2857927</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Data-driven Policy Transfer with Imprecise Perception Simulation

Popis výsledku v původním jazyce

This paper presents a complete pipeline for learning continuous motion control policies for a mobile robot when only a non-differentiable physics simulator of robot-terrain interactions is available. The multi-modal state estimation of the robot is also complex and difficult to simulate, so we simultaneously learn a generative model which refines simulator outputs. We propose a coarse-to-fine learning paradigm, where the coarse motion planning is alternated with guided learning and policy transfer to the real robot. The policy is jointly optimized with the generative model. We evaluate the method on a real-world platform.

Název v anglickém jazyce

Data-driven Policy Transfer with Imprecise Perception Simulation

Popis výsledku anglicky

This paper presents a complete pipeline for learning continuous motion control policies for a mobile robot when only a non-differentiable physics simulator of robot-terrain interactions is available. The multi-modal state estimation of the robot is also complex and difficult to simulate, so we simultaneously learn a generative model which refines simulator outputs. We propose a coarse-to-fine learning paradigm, where the coarse motion planning is alternated with guided learning and policy transfer to the real robot. The policy is jointly optimized with the generative model. We evaluate the method on a real-world platform.

Druh

J_SC - Článek v periodiku v databázi SCOPUS

CEP obor

—

OECD FORD obor

20204 - Robotics and automatic control

Projekt

<a href="/cs/project/GA17-08842S" target="_blank" >GA17-08842S: Robustní plánování a řízení pohybu na nerovném terénu</a><br>

Návaznosti

S - Specificky vyzkum na vysokych skolach

Rok uplatnění

2018

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název periodika

IEEE Robotics and Automation Letters

ISSN

2377-3766

e-ISSN

2377-3766

Svazek periodika

3

Číslo periodika v rámci svazku

4

Stát vydavatele periodika

US - Spojené státy americké

Počet stran výsledku

6

Strana od-do

3916-3921

Kód UT WoS článku

000441444700031

EID výsledku v databázi Scopus

2-s2.0-85063308179