基于不变表示的跨域机器人模仿
机器人学
2021-09-14 v1 机器学习
摘要
尽管生物力学存在差异，动物仍能相互模仿彼此的行为。相比之下，在机器人学中模仿其他相似机器人是一项更具挑战性的任务。该问题被称为跨域模仿学习（CDIL）。本文中，我们考虑一类相似机器人上的 CDIL。我们通过引入一种基于不变表示的模仿学习算法来解决此问题。我们提出学习不变的状态与动作表示，以对齐多个机器人的行为，从而使 CDIL 成为可能。与先前用于类似目的的不变表示学习方法相比，我们的方法不需要人工标注的配对数据进行训练。相反，我们利用循环一致性与域混淆来对齐表示并增强其鲁棒性。我们在模拟器中的多个机器人上测试了该算法，并表明可以利用已有的专家示范成功训练未见的新机器人实例。定性结果也表明，所提方法能够为具有相似行为的不同机器人学习到相似的表示，而这正是成功实现 CDIL 的关键。
引用
@article{arxiv.2109.05940,
title = {Cross Domain Robot Imitation with Invariant Representation},
author = {Zhao-Heng Yin and Lingfeng Sun and Hengbo Ma and Masayoshi Tomizuka and Wu-Jun Li},
journal= {arXiv preprint arXiv:2109.05940},
year = {2021}
}