好奇心驱动的想象：发现算子并学习关联策略以实现开放世界适应
机器人学
2025-03-10 v1 人工智能
摘要
快速适应动态、不确定的环境——常被称为“开放世界”——是机器人学中的重要挑战。传统的任务与运动规划（TAMP）方法在应对突发变更时难以应对，适应时数据效率低下，且未能在学习过程中利用世界模型。我们提出一种混合规划与学习系统，集成两种模型：一种基于低层神经网络的模型学习随机转移并通过内在好奇心模块（ICM）驱动探索，另一种高层符号规划模型使用算子捕获抽象转移，使智能体能够在“想象”空间中进行规划并生成奖励机器。我们在机器人操控领域进行评估，采用顺序新颖注入 demonstrates that our approach converges faster and outperforms state-of-the-art hybrid methods.
引用
@article{arxiv.2503.04931,
title = {Curiosity-Driven Imagination: Discovering Plan Operators and Learning Associated Policies for Open-World Adaptation},
author = {Pierrick Lorang and Hong Lu and Matthias Scheutz},
journal= {arXiv preprint arXiv:2503.04931},
year = {2025}
}
备注
8 pages, 4 figures. Accepted at ICRA 2025