GPLAC：使用弱标记图像泛化基于视觉的机器人技能
机器学习
2017-08-09 v1 计算机视觉与模式识别
机器人学
摘要
我们致力于解决学习能够泛化到视觉多样且未见环境的机器人感觉运动控制策略的问题。实现广泛泛化通常需要大型数据集，而这对于强化学习或从演示中学习等特定任务的交互过程而言难以获取。然而，世界上大部分视觉多样性可以通过被动收集的图像或视频数据集来捕获。在我们称为 GPLAC (Generalized Policy Learning with Attentional Classifier) 的方法中，我们同时使用交互数据和弱标记图像数据来增强感觉运动策略的泛化能力。我们的方法结合了动作选择上的多任务学习和辅助二元分类目标，以及使用注意力机制来避免干扰因素的卷积神经网络架构。我们表明，将来自单一环境的交互数据与多样化的弱标记数据集配对，可以极大地提高对未见环境的泛化能力，并表明这种泛化依赖于我们提出的辅助目标和注意力架构。我们在仿真和真实机器人机械臂上展示了我们的结果，并证明相比标准卷积架构和领域自适应方法取得了实质性改进。
引用
@article{arxiv.1708.02313,
title = {GPLAC: Generalizing Vision-Based Robotic Skills using Weakly Labeled Images},
author = {Avi Singh and Larry Yang and Sergey Levine},
journal= {arXiv preprint arXiv:1708.02313},
year = {2017}
}
备注
ICCV 2017. Also accepted at ICML 2017 Workshop on Lifelong Learning: A Reinforcement Learning Approach. Webpage: https://people.eecs.berkeley.edu/~avisingh/iccv17/