CASSL：课程加速自监督学习
机器人学
2018-02-14 v2 计算机视觉与模式识别
机器学习
摘要
近期的自监督学习方法侧重于使用数千个数据点来学习高层、低维动作空间的策略。然而，将此框架扩展到高维控制，要么需要扩大数据收集规模，要么需要采用巧妙的训练采样策略。我们提出一种新颖的方法——课程加速自监督学习（CASSL）——来训练将视觉信息映射到高层、高维动作空间的策略。CASSL基于控制维度对训练数据的采样进行排序：学习与采样先集中于少数控制参数，然后再涉及其他参数。正确的学习课程由控制空间的基于方差的全局敏感性分析给出建议。我们将CASSL框架应用于学习如何使用自适应欠驱动多指夹持器进行抓取，这是一个具有挑战性的控制系统。实验结果表明，与分阶段课程学习（提升8%）和随机探索的完整端到端学习（提升14%）等基线方法相比，CASSL在一组新物体上的测试中提供了显著的改进和泛化能力。
引用
@article{arxiv.1708.01354,
title = {CASSL: Curriculum Accelerated Self-Supervised Learning},
author = {Adithyavairavan Murali and Lerrel Pinto and Dhiraj Gandhi and Abhinav Gupta},
journal= {arXiv preprint arXiv:1708.01354},
year = {2018}
}