Relational reinforcement learning with guided demonstrations

یادگیری تقویت مبتنی بر مدل یک پارادایم قدرتمند برای یادگیری وظایف در رباتیک است. با این حال، عمق کاوش معمولا مورد نیاز است و اقدامات باید پیش از آن شناخته شوند. بنابراین، ما یک الگوریتم جدید ارائه می دهیم که گزینه ای را برای درخواست تظاهرات معلمان برای یادگیری حوزه های جدید با اعدام های کمتری اعمال می کند و هیچ دانش قبلی ایفا نمی کند. تظاهرات به اعمال جدید می توانند یاد بگیرند و مقدار اکتشافی مورد نیاز را کاهش می دهند، اما آنها فقط زمانی درخواست می شود که انتظار می رود که بهبود قابل ملاحظه ای داشته باشند، زیرا زمان معلم ارزشمند تر از زمان ربات است. علاوه بر این، انتخاب اقدام مناسب برای نشان دادن کار ساده ای نیست و در نتیجه بعضی از راهنمایی ها به معلم ارائه می شود. مدل مبتنی بر قاعده برای تعیین بخش هایی از وضعیت که ممکن است ناقص باشد، تجزیه و تحلیل می شود و معلم را با مجموعه ای از مشکلات احتمالی که برای تظاهرات مورد نیاز است فراهم می کند. تجزیه و تحلیل قانون نیز برای پیدا کردن مدل های جایگزین بهتر و تکمیل زیر اهداف قبل از درخواست کمک استفاده می شود، در نتیجه به حداقل رساندن تعداد تظاهرات مورد درخواست. این پیشرفت ها در مجموعه ای از آزمایشات نشان داده شد که شامل دامنه های رقابت برنامه ریزی بین المللی و یک کار رباتیک بود. افزودن تظاهرات معلمان و تجزیه و تحلیل قوانین، میزان اکتشاف مورد نیاز در 60٪ در برخی از حوزه ها را کاهش داد و نسبت موفقیت در 35٪ در سایر زمینه ها را بهبود بخشید.