基于树扩展的由粗到精Q注意力机制
机器人学
2022-05-03 v2 人工智能
计算机视觉与模式识别
机器学习
摘要
由粗到精的Q注意力机制通过以由粗到精的方式离散化平移空间，使得机器人操作能够实现样本高效，其中分辨率在层次结构的每一层逐渐增加。尽管有效，Q注意力机制仍受“粗糙模糊性”困扰——当体素化显著粗糙时，若不先以更精细的分辨率进行检查，就无法区分外观相似的物体。为了解决这个问题，我们提议将Q注意力设想为一棵可以扩展的树，并用于在每个Q注意力深度上累积前k个体素的价值估计。当我们的扩展——基于树扩展的Q注意力（QTE）——在注意力驱动的机器人操作系统（ARM）中取代标准Q注意力时，我们能够完成更广泛的任务集；尤其是在那些受“粗糙模糊性”困扰的任务上。除了在12项RLBench任务上评估我们的方法外，我们还展示了在涉及小物体的真实世界任务中，性能的提升是可见的。
引用
@article{arxiv.2204.12471,
title = {Coarse-to-fine Q-attention with Tree Expansion},
author = {Stephen James and Pieter Abbeel},
journal= {arXiv preprint arXiv:2204.12471},
year = {2022}
}
备注
Project page and code: https://sites.google.com/view/q-attention-qte