Il framework SymmGrid accelera l'apprendimento su robot tramite l'aumento della simmetria

I ricercatori hanno introdotto SymmGrid, un framework di aumento a livello di traiettoria che sfrutta simmetrie parallelizzate per accelerare l'apprendimento per rinforzo profondo su robot. Il metodo modella un processo decisionale di Markov sotto un albero di simmetria, generando trasformazioni invarianti ammissibili che formano una struttura a griglia geometrica. Le rappresentazioni dello stato utilizzano immagini egocentriche o esocentriche combinate con la propriocezione, richiedendo omografie per deformare le scene visive secondo le trasformazioni spaziali. Queste trasformazioni parallelizzate producono diverse equivalenze simmetriche, popolando il buffer di replay con esperienze variegate per ridurre i tempi di addestramento a parete. Il lavoro affronta il collo di bottiglia del lento addestramento nei robot fisici, migliorando sia le configurazioni visive egocentriche che esocentriche.