噪声条件下的少样本基于模型的自适应
机器学习
2020-10-19 v1 机器人学
摘要
在机器人仿真到实境迁移的背景下，少样本自适应是一个具有挑战性的问题，需要安全且信息丰富的数据收集。在物理系统中，几乎存在于所有实际应用中的域噪声可能带来额外挑战。本文中，我们提出在噪声条件下使用一种具有不确定性感知的基于卡尔曼滤波的神经网络架构来进行动力学模型的少样本自适应。我们表明，所提出的方法显式地处理域噪声，相比黑盒自适应的LSTM基线以及同时试图学习可自适应且信息丰富策略的无模型同策略强化学习方法，降低了少样本自适应误差。所提方法还可通过在自适应期间及之后分析模型的隐藏状态来进行系统分析。
引用
@article{arxiv.2010.08397,
title = {Few-shot model-based adaptation in noisy conditions},
author = {Karol Arndt and Ali Ghadirzadeh and Murtaza Hazara and Ville Kyrki},
journal= {arXiv preprint arXiv:2010.08397},
year = {2020}
}