基于强化学习的机器人多目标视觉控制数据集

机器人视觉控制通常涉及多个目标，例如实现高效率，保持稳定，避免故障。提出了一种新颖的基于视觉的控制方法（VBC）折扣采样策略梯度 (DSPG) 和余弦退火(CA) 实现出色的多目标控制性能。在我们的提出的视觉控制框架，DSPG学习代理被用来学习为 VBC 估计连续运动学的策略。深度政策以端到端的方式将视觉观察映射到特定动作。DSPG 代理最终可以更新策略以获得最优的或使用来自环境的成形奖励的接近最佳解决方案。所提出的 VBC-DSPG 模型使用启发式方法进行了优化。实验结果表明，所提出的方法能够产生非常好的机器人多目标视觉控制效果。