CAZSL：通过上下文泛化实现推压模型的零样本回归
机器学习
2020-11-03 v2 机器人学
机器学习
摘要
许多机器人操作任务需要对物理世界建立精确模型。然而，在操作过程中，机器人预期会与未知工件交互，因此构建能够针对大量此类对象泛化的预测模型极为可取。本文研究设计可通过构建上下文感知学习模型来泛化其物理世界模型的深度学习智能体问题。这些智能体的目的是基于提供不同上下文给预测模型的、有关交互对象的某些特征，快速适应和/或泛化其在真实世界中交互物理的认知。受此驱动，我们提出上下文感知零样本学习（CAZSL，发音为 casual）模型，一种利用连体网络架构、嵌入空间掩码以及基于上下文变量的正则化的方法，使我们能够学习可泛化到交互对象不同参数或特征的模型。我们在近期发布的 Omnipush 数据集上测试了所提学习算法，该数据集支持使用低维数据测试元学习能力。CAZSL 的代码可在 https://www.merl.com/research/license/CAZSL 获取。
引用
@article{arxiv.2003.11696,
title = {CAZSL: Zero-Shot Regression for Pushing Models by Generalizing Through Context},
author = {Wenyu Zhang and Skyler Seto and Devesh K. Jha},
journal= {arXiv preprint arXiv:2003.11696},
year = {2020}
}
备注
Accepted at IROS 2020