具身形态决定神经控制器的可学习性
机器学习
2021-05-07 v2 机器人学
机器学习
摘要
灾难性遗忘持续严重限制着适用于多任务环境的控制器的可学习性。迄今为止文献中报道的对抗灾难性遗忘的努力，集中在如何更快地更新控制系统，加速其从良好的初始设置调整到新环境，或者更谨慎地抑制其对任一环境过拟合的能力。当使用机器人时，环境包括机器人自身的身体、其形状和材料属性，以及其执行器和传感器如何沿其机械结构分布。在此，我们首次展示了这样一种设计决策（传感器布局）如何能够改变损失函数本身的景观，扩展或收缩包含每个单独任务合适控制器的权重流形，从而增加或减少它们跨任务重叠的概率，进而减少或诱发灾难性遗忘的可能性。
引用
@article{arxiv.1910.07487,
title = {Embodiment dictates learnability in neural controllers},
author = {Joshua Powers and Ryan Grindle and Sam Kriegman and Lapo Frati and Nick Cheney and Josh Bongard},
journal= {arXiv preprint arXiv:1910.07487},
year = {2021}
}