一种用于可部署多模态社交机器人的数据高效深度学习方法
人工智能
2019-08-29 v1 机器学习
机器人学
摘要
深度监督与强化学习范式（及其他）有潜力赋予交互式多模态社交机器人自主习得技能的能力。但如何将其最佳地部署于真实世界应用中仍不甚明晰。作为该方向的一步，我们提出一种基于深度学习的方法，用于高效训练人形机器人玩多模态游戏——并以带两种变体的“井字棋”游戏作为案例研究。其学习与感知交互的最低需求基于数百张示例图像、少量多模态对话示例、机器人操作的实物演示以及自动仿真。此外，我们提出了用于鲁棒视觉游戏追踪和高胜率竞争策略学习的新型算法，其大幅优于基于 DQN 的基线方法。自动评估表明所提方法可轻松扩展至具有竞争性机器人行为的新游戏，而 130 名人类与 Pepper 机器人对弈的人工评估证实，成功的游戏游玩需要高度准确的视觉感知。
引用
@article{arxiv.1908.10398,
title = {A Data-Efficient Deep Learning Approach for Deployable Multimodal Social Robots},
author = {Heriberto Cuayáhuitl},
journal= {arXiv preprint arXiv:1908.10398},
year = {2019}
}