在家庭机器人上评估持续学习
机器人学
2023-06-06 v1 人工智能
摘要
家庭环境中的机器人需要能够随着数据可用而持续学习新技能，随时间推移变得愈发有能力，同时尽可能少地使用真实世界数据。然而，传统的机器人学习方法通常假设有大量独立同分布（iid）数据，这与该目标不一致。相比之下，如CLEAR与SANE等持续学习方法允许自主智能体从非iid样本流中学习；但它们此前尚未在真实机器人平台上得到演示。在本工作中，我们展示了如何将持续学习方法改造用于真实、低成本的家用机器人，并特别考察了在无任务标识设定下示例数量极少的情况。具体而言，我们提出SANER，一种持续学习技能库的方法，以及作为其支撑骨干的ABIP（基于注意力的交互策略）。我们在一台低成本家用机器人上学习了四项顺序厨房任务，每项任务仅使用少量演示。
引用
@article{arxiv.2306.02413,
title = {Evaluating Continual Learning on a Home Robot},
author = {Sam Powers and Abhinav Gupta and Chris Paxton},
journal= {arXiv preprint arXiv:2306.02413},
year = {2023}
}