感知无关片段的模仿学习
机器人学
2023-03-02 v2 人工智能
摘要
视觉模仿学习提供了一种从演示中学习技能的有效框架。然而，所提供的演示质量通常显著影响智能体获取期望技能的能力。因此，标准视觉模仿学习假设近乎最优的演示，而收集这类演示成本高昂甚至有时不可行。先前工作提出从含噪声演示中学习；但噪声通常被假设服从与上下文无关的分布，如均匀或高斯分布。本文考虑另一关键却未被充分探索的设置——演示中含有任务无关但局部一致的片段（例如烹饪教程中切土豆时擦汗）的模仿学习。我们认为此类噪声在真实世界数据中常见，并将其称为“无关(extraneous)”片段。为应对该问题，我们提出感知无关片段的模仿学习(EIL)，一种从含无关子序列的第三人称演示中学习视觉运动策略的自监督方法。EIL以自监督方式学习动作条件观测嵌入，并在跨视觉演示中检索任务相关观测同时排除无关观测。实验结果表明，EIL优于强基线，并在模拟与真实机器人控制任务上取得了与完美演示训练相当的策略。项目页面见 https://sites.google.com/view/eil-website。
引用
@article{arxiv.2210.01379,
title = {Extraneousness-Aware Imitation Learning},
author = {Ray Chen Zheng and Kaizhe Hu and Zhecheng Yuan and Boyuan Chen and Huazhe Xu},
journal= {arXiv preprint arXiv:2210.01379},
year = {2023}
}
备注
7 pages, 6 figures; accepted to ICRA 2023