强制学习：面向机器人自主性的自监督神经符号学习框架
机器人学
2025-12-25 v8 人工智能
计算机视觉与模式识别
机器学习
摘要
数据驱动的方法，如强化学习和模仿学习，已在机器人自主性方面取得显著成就。然而，这些方法的数据中心性质仍阻碍其在不断变化的环境中获得良好泛化。此外，为机器人任务标注数据往往既不实际也昂贵。为克服这些挑战，我们引入了一种新的自监督神经符号(NeSy)计算框架，称为强制学习(imperative learning, IL)，用于机器人自主性，利用符号推理的泛化能力。IL 框架由三个主要组件构成：神经模块、推理引擎和记忆系统。我们将 IL 表述为一种特殊的双层优化(BLO)，该方法使三个模块之间实现相互学习。这克服了数据驱动方法中标签密集型的障碍，同时发挥了符号推理在逻辑推理、物理原理、几何分析等方面的优势。我们讨论了 IL 的几种优化技术，并在包括路径规划、规则归纳、最优控制、视觉里程计和多机器人路由等五个不同的机器人自主性任务中验证了其有效性。通过各种实验，我们表明 IL 能显著提升机器人自主能力，我们anticipate它将催化跨越 diverse 领域的进一步研究。
引用
@article{arxiv.2406.16087,
title = {Imperative Learning: A Self-supervised Neuro-Symbolic Learning Framework for Robot Autonomy},
author = {Chen Wang and Kaiyi Ji and Junyi Geng and Zhongqiang Ren and Taimeng Fu and Fan Yang and Yifan Guo and Haonan He and Xiangyu Chen and Zitong Zhan and Qiwei Du and Shaoshu Su and Bowen Li and Yuheng Qiu and Yi Du and Qihang Li and Yifan Yang and Xiao Lin and Zhipeng Zhao},
journal= {arXiv preprint arXiv:2406.16087},
year = {2025}
}