分层预见：通过视觉子目标生成进行长视野任务的自我监督学习
机器学习
2019-09-13 v1 人工智能
计算机视觉与模式识别
机器人学
机器学习
摘要
视频预测模型与规划算法相结合，已显示出使机器人仅通过自我监督学习执行许多基于视觉的任务的潜力，能在有未见物体的杂乱场景中到达新颖目标。然而，由于长视野视频预测中不确定性的复合以及基于采样的规划优化器可扩展性差，这些方法的一个显著局限是能够规划长视野以到达远处目标。为此，我们提出了一种用于子目标生成与规划的框架，即分层视觉预见（HVF），它基于目标图像生成子目标图像，并将其用于规划。子目标图像被直接优化以将任务分解为易于规划的片段，结果我们观察到该方法自然地识别出语义上有意义的状态作为子目标。在四个模拟基于视觉的操作任务中的三个上，我们发现我们的方法相比无子目标规划和无模型 RL 方法实现了近 200% 的性能提升。此外，我们的实验表明我们的方法可扩展到真实的杂乱视觉场景。项目页面：https://sites.google.com/stanford.edu/hvf
引用
@article{arxiv.1909.05829,
title = {Hierarchical Foresight: Self-Supervised Learning of Long-Horizon Tasks via Visual Subgoal Generation},
author = {Suraj Nair and Chelsea Finn},
journal= {arXiv preprint arXiv:1909.05829},
year = {2019}
}
备注
16 pages, 9 figures