基于下一词预测的类人学习
统计方法学
2024-08-29 v1
摘要
我们探讨如何增强下一词预测模型以执行机器人上的类人学习，其中机器人通过解释输入阶段提供的上下文信息来执行新任务，而无需更新其底层策略参数。我们提出了 In-Context Robot Transformer（ICRT），这是一种因果变换器，对传感器运动轨迹进行自回归预测，而不依赖任何语言数据或奖励函数。这种表述使能够在测试时通过提示实现灵活且无需训练的新任务执行，是通过对包含图像观察、动作和状态元组的人类遥操作收集的新任务传感器运动轨迹进行提示实现的。使用 Franka Emika 机器人进行的实验表明，ICRT 能够适应由提示指定的新任务，即使在与提示和训练数据都不同的环境配置中也能正常工作。在多任务环境设置下，ICRT 在对未知任务的泛化方面显著优于当前在机器人领域中最先进的下一词预测模型。代码、模型检查点和数据均可在 https://icrt.dev/ 获取。
引用
@article{arxiv.2408.15979,
title = {Comparing the Pearson and Spearman Correlation Coefficients Across Distributions and Sample Sizes: A Tutorial Using Simulations and Empirical Data},
author = {J. C. F. de Winter and S. D. Gosling and J. Potter},
journal= {arXiv preprint arXiv:2408.15979},
year = {2024}
}