CasIL：基于双认知-行动架构的技能认知与模仿
机器人学
2023-09-29 v1 人机交互
机器学习
摘要
使机器人能够在运动、操控等长程任务中有效模仿专家技能，是一个长期存在的挑战。现有的机器人模仿学习（IL）方法在复杂任务中仍面临次优性能的问题。在本文中，我们探讨如何借助人类认知先验来应对这一挑战。启发式地，我们通过引入直观的人类认知先验，将通常的动作概念扩展为双认知（高层）-行动（低层）架构，并提出一种通过人机交互实现的新型技能 IL 框架，称为基于认知-行动的技能模仿学习（CasIL），使机器人智能体能够从原始视觉演示中有效认知并模仿关键技能。CasIL 同时实现认知与行动模仿，而高层技能认知显式引导低层基元动作，为整个技能 IL 过程提供鲁棒性与可靠性。我们在 MuJoCo 和 RLBench 基准上，以及在四足机器人运动的点目标导航与避障任务中评估了我们的方法。实验结果表明，在多种长程机器人任务中，我们的 CasIL 相较于其他同类方法始终具备具有竞争力且鲁棒的技能模仿能力。
引用
@article{arxiv.2309.16299,
title = {CasIL: Cognizing and Imitating Skills via a Dual Cognition-Action Architecture},
author = {Zixuan Chen and Ze Ji and Shuyang Liu and Jing Huo and Yiyu Chen and Yang Gao},
journal= {arXiv preprint arXiv:2309.16299},
year = {2023}
}