CoRL

PAC-Bayes Control: Learning Policies that Provably Generalize to Novel Environments

PAC-Bayes 控制：学习能够证明在新环境中泛化的能力的策略

Anirudha Majumdar, Alec Farid, Anoopkumar Sonar

机构 * Department of Mechanical and Aerospace Engineering（1,2 机械与航空航天工程系） ； Department of Computer Science Princeton University（3 计算机科学系 纽约大学普林斯顿分校） 纠错

AI总结 本文提出了一种基于PAC-Bayes框架的机器人策略学习方法，通过在新环境中泛化能力的理论分析，为机器人系统提供强泛化保证。

Comments Extended version of paper presented at the 2018 Conference on Robot Learning (CoRL)

Conditional Affordance Learning for Driving in Urban Environments

面向城市环境的条件性 affordance 学习

Axel Sauer, Nikolay Savinov, Andreas Geiger

机构 * Chair of Robotics Science and System Intelligence, Technical University of Munich（慕尼黑技术大学机器人科学与系统智能系） 纠错

AI总结 本文提出了一种直接感知方法，通过将视频输入映射到适合复杂城市环境自主导航的中间表示，结合高层方向输入，实现了比现有强化学习和条件模仿学习方法更高的目标导向导航性能，并首次通过图像级标签处理交通灯和速度标志，显著减少模拟中的交通事故。

Comments Accepted for Conference on Robot Learning (CoRL) 2018

A Data-Efficient Approach to Precise and Controlled Pushing

一种数据高效且精确可控的推动作方法

Maria Bauza, Francois R. Hogan, Alberto Rodriguez

机构 * Department of Mechanical Engineering — Massachusetts Institute of Technology（机械工程系——麻省理工学院） 纠错

AI总结 本文提出了一种数据高效的方法，通过学习动态模型来控制复杂机械系统，仅需10个数据点即可完成复杂的推动作轨迹。

Comments Maria Bauza and Francois R. Hogan contributed equally to this work. 10 pages, 5 figures

Journal ref CoRL 2018

Efficient Hierarchical Robot Motion Planning Under Uncertainty and Hybrid Dynamics

在不确定性和混合动力学下的高效机器人运动规划

Ajinkya Jain, Scott Niekum

机构 * Department of Mechanical Engineering（机械工程系） ； Department of Computer Science（计算机科学系） ； University of Texas at Austin, USA（得克萨斯大学奥斯汀分校） 纠错

AI总结 本文提出了一种分层POMDP规划器，用于在存在不确定性的情况下为混合动力学模型生成成本优化的运动计划，通过将非线性动力学分解为离散的局部动力学模型，从而有效减少状态不确定性。

Comments 2nd Conference on Robot Learning (CoRL 2018), Zurich, Switzerland

The Lyapunov Neural Network: Adaptive Stability Certification for Safe Learning of Dynamical Systems

Lyapunov神经网络：用于安全学习动力系统的自适应稳定性认证

Spencer M. Richards, Felix Berkenkamp, Andreas Krause

机构 * Department of Mechanical and Process Engineering（机械与过程工程系） ； Department of Computer Science（计算机科学系） 纠错

AI总结 本文提出了一种学习准确安全证书的方法，用于非线性闭环动力系统，通过构造Lyapunov函数神经网络和适应最大安全区域形状的训练算法，以确保安全学习。

Comments Proc. of the 2nd Conference on Robot Learning (CoRL 2018)

MBMF: Model-Based Priors for Model-Free Reinforcement Learning

MBMF：基于模型的先验用于无模型强化学习

Somil Bansal, Roberto Calandra, Kurtland Chua, Sergey Levine, Claire Tomlin

AI总结 本文提出一种结合模型与无模型强化学习的方法，通过学习概率动力学模型作为先验，提升数据效率和成本效益。

Comments After we submitted the paper for consideration in CoRL 2017 we found a paper published in the recent past with a similar method (see related work for a discussion). Considering the similarities between the two papers, we have decided to retract our paper from CoRL 2017