面向自主终身生物运动学习的可生长且可解释的神经控制
机器人学
2025-05-20 v1
摘要
终身生物运动学习面临四个挑战：不可解释性、样本效率低、缺乏知识利用和灾难性遗忘。因此，本文引入了 Growable Online Locomotion Learning Under Multicondition (GOLLUM)，通过利用可解释性特征来解决上述挑战。GOLLUM 的可解释性体现在两个维度：用于神经控制功能编码的层级可解释性和用于机器人技能编码的列级可解释性。凭借这种可解释的控制结构，GOLLUM 利用神经发生作用来无监督地增加列（环形网络）；每个列单独训练以编码和维护特定的基本机器人技能。GOLLUM 还将参数传递给新技能，并通过另一个神经映射层（层级）进行在线补充学习，以补充所学技能组合。 在物理六足机器人上，GOLLUM 在一个小时内成功地通过一个简单的奖励函数自主获取了多个生物运动技能（如行走、斜坡攀爬和弹跳）。此外，它 demonstrated 了能够组合以前学习的技能以促进新技能学习的能力，同时防止灾难性遗忘。与当前最先进的生物运动学习方法相比，GOLLUM 是唯一在没有人工干预的情况下解决上述四个挑战的方法。它还强调了可解释性在实现自主终身学习机器方面的潜在价值。
引用
@article{arxiv.2505.12029,
title = {Growable and Interpretable Neural Control with Online Continual Learning for Autonomous Lifelong Locomotion Learning Machines},
author = {Arthicha Srisuchinnawong and Poramate Manoonpong},
journal= {arXiv preprint arXiv:2505.12029},
year = {2025}
}
备注
Accepted Manuscript (IJRR). The International Journal of Robotics Research. 2025