Posilované učení parametrizovaných akcí pro imitační učení
Reinforcement Learning with Parametrized Actions for Imitation Learning
Typ dokumentu
bakalářská prácebachelor thesis
Autor
Marek Majsner
Vedoucí práce
Štěpánová Karla
Oponent práce
Petrík Vladimír
Studijní program
Kybernetika a robotikaInstituce přidělující hodnost
katedra kybernetikyPráva
A university thesis is a work protected by the Copyright Act. Extracts, copies and transcripts of the thesis are allowed for personal use only and at one?s own expense. The use of thesis should be in compliance with the Copyright Act http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf and the citation ethics http://knihovny.cvut.cz/vychova/vskp.htmlVysokoškolská závěrečná práce je dílo chráněné autorským zákonem. Je možné pořizovat z něj na své náklady a pro svoji osobní potřebu výpisy, opisy a rozmnoženiny. Jeho využití musí být v souladu s autorským zákonem http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf a citační etikou http://knihovny.cvut.cz/vychova/vskp.html
Metadata
Zobrazit celý záznamAbstrakt
Tato práce zkoumá výhody časové abstrakce v posilovacím učení zkoumáním dvou přístupů pro zobecnění akcí: Parameterized Action Markov Decision Processes (PAMDP) a rámce options. V této práci používáme zesílení Manipulation Primitive-augmented reinforcement Learning (MAPLE) algoritmus založený na struktuře PAMDPs. Popisujeme vnitřní fungování algoritmu MAPLE a jeho základního simulačního platformu Robostuite, navíc hodnotíme metodu v nových úlohách a s různými parametry. Kromě toho navrhujeme rozšíření metody informacemi z pozorování. This thesis explores the benefits of temporal abstraction in reinforcement learning by examining two approaches for action generalization: Parameterized Action Markov Decision Processes (PAMDPs) and the options framework. In this work, we employ the Manipulation Primitive-augmented reinforcement Learning (MAPLE) algorithm founded on the PAMDPs framework. We describe the inner workings of the MAPLE algorithm and its underlying Robostuite simulation framework and evaluate the framework in new tasks and with different parameters. Moreover, we propose an extension to the framework to include observational information.
Kolekce
- Bakalářské práce - 13133 [714]