基于视觉相似性迁移学习的黑盒发育式贝叶斯优化
机器人学
2018-10-22 v7 人工智能
机器学习
摘要
我们提出了一种基于长期记忆与推理机制（视觉相似性与贝叶斯优化）的发育式框架。该架构使机器人能够自主优化需从任意动作和/或视觉模块（视为黑盒）中调节的超参数。学习可利用过往经验（存储于情景记忆与程序记忆中），借助先前从与新的未知物体相似的物体上优化出的一组超参数（存储于语义记忆中）来热启动探索。作为示例，该系统已在仿真与真实机器人（工业机械臂 Fanuc）上使用专业软件 Kamido 优化了 9 个连续超参数，共涉及 13 种不同物体。机器人能够在 68 次（仿真）或 40 次（真实）试验中找到良好的物体特定优化结果。在仿真中，我们展示了基于视觉相似性的迁移学习相对于失忆式学习（即始终从零开始学习）的优势。此外，在真实机器人上，我们表明该方法持续优于专家手动优化，训练时间不足 2 小时即可达到超过 88% 的成功率。
引用
@article{arxiv.1809.10141,
title = {Developmental Bayesian Optimization of Black-Box with Visual Similarity-Based Transfer Learning},
author = {Maxime Petit and Amaury Depierre and Xiaofang Wang and Emmanuel Dellandréa and Liming Chen},
journal= {arXiv preprint arXiv:1809.10141},
year = {2018}
}