基于隐式图对齐的少样本上下文内模仿学习
机器人学
2023-10-20 v1 人工智能
机器学习
摘要
考虑如下问题：给定跨若干不同物体的少量任务演示，机器人如何学会在全新的、先前未见过的物体上执行同一任务？这具有挑战性，因为同一类别中物体的高度多样性使得难以推断新物体与演示中物体之间任务相关的关联。我们将模仿学习表述为物体图表示之间的条件对齐问题，从而解决该问题。进而，我们表明这种条件作用允许上下文内学习，即机器人可在演示后立刻在一组新物体上执行任务，而无需关于物体类别的任何先验知识或任何进一步训练。在实验中，我们探究并验证了我们的设计选择，并表明我们的方法对于若干真实世界日常任务的少样本学习极为有效，同时优于基线方法。视频可在我们的项目网页 https://www.robot-learning.uk/implicit-graph-alignment 获取。
引用
@article{arxiv.2310.12238,
title = {Few-Shot In-Context Imitation Learning via Implicit Graph Alignment},
author = {Vitalis Vosylius and Edward Johns},
journal= {arXiv preprint arXiv:2310.12238},
year = {2023}
}
备注
Published at CoRL 2023. Videos are available on our project webpage at https://www.robot-learning.uk/implicit-graph-alignment