Biblioteca93.141 documentos en línea

Artículo

End-to-End Autonomous Exploration with Deep Reinforcement Learning and Intrinsic MotivationExploración autónoma de principio a fin con aprendizaje por refuerzo profundo y motivación intrínseca

Resumen

El desarrollo de agentes de inteligencia artificial (IA) es un reto para la exploración eficiente en entornos visualmente ricos y complejos. En este estudio, formulamos la cuestión de la exploración como un problema de aprendizaje por refuerzo y nos basamos en la motivación intrínseca para guiar el comportamiento de exploración. Dicha motivación intrínseca está impulsada por la curiosidad y se calcula a partir de la memoria de episodios. Para distribuir la motivación intrínseca, utilizamos un método basado en el recuento y la distancia temporal para generarla de forma sincrónica. Probamos nuestro enfoque en entornos laberínticos en 3D y validamos su rendimiento en tareas de exploración mediante amplios experimentos. Los resultados experimentales demuestran que nuestro agente puede aprender la capacidad de exploración a partir de la información sensorial bruta y llevar a cabo una exploración autónoma en diferentes laberintos. Además, la política aprendida no está sesgada por los objetos estocásticos. También analizamos los efectos de diferentes métodos de entrenamiento y fuerzas motrices en la política de exploración.

  • Tipo de documento:
  • Formato:pdf
  • Idioma:Inglés
  • Tamaño: Kb

Cómo citar el documento

Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.

Este contenido no est� disponible para su tipo de suscripci�n

Información del documento