模仿学习中动力系统与机器学习的融合：全面综述
机器人学
2024-04-01 v1
摘要
模仿学习(IL)，也称为示教学习(LfD)，通过高效模仿捕捉专家运动技能，促进复杂场景的熟练导航，具有重要前景。IL中一个持续的挑战在于从历史演示中扩展泛化，使得无需重新示教即可获得新技能。基于动力系统的IL(DSIL)作为IL方法的一个重要子集出现，能够通过运动基元和基于经验抽象的策略学习来学习轨迹。本文强调理论范式的融合，将动力系统中固有的控制理论原理整合到IL中。这种整合显著增强了在新场景中的鲁棒性、适应性和收敛性。本综述旨在全面概述DSIL方法，从经典方法到最新的先进方法。我们将DSIL分为自治动力系统和非自治动力系统，综述了低维输入的传统IL方法和高维输入的先进深度IL方法。此外，我们介绍并分析了IL的三种主要稳定性方法：Lyapunov稳定性、收缩理论和微分同胚映射。我们的探索还扩展到DSIL的流行策略改进方法，包括强化学习、深度强化学习和进化策略。
引用
@article{arxiv.2403.19916,
title = {Fusion Dynamical Systems with Machine Learning in Imitation Learning: A Comprehensive Overview},
author = {Yingbai Hu and Fares J. Abu-Dakka and Fei Chen and Xiao Luo and Zheng Li and Alois Knoll and Weiping Ding},
journal= {arXiv preprint arXiv:2403.19916},
year = {2024}
}