通过模仿进行高层概念的增量学习
人工智能
2017-07-25 v1 机器人学
摘要
如今，机器人已成为日常生活中的伴侣。为了被人类良好接受，机器人应高效理解伙伴动作和肢体语言的含义，并做出相应反应。通过模仿学习概念以用户友好的方式赋予了它们这种能力。本文提出了一个快速且鲁棒的模仿增量概念学习模型。在 ILoCI 中，观测到的多模态时空演示在模仿过程中基于其感知和功能相似性被增量地抽象和泛化。该方法中，感知上相似的演示通过镜像神经元系统的动态模型进行抽象。提出了一种增量方法，通过与教师有限次数的交互来学习它们的功能相似性。通过所提出的记忆复述将所有概念一起学习，使机器人能够利用概念间的共同结构关系，这不仅加快了学习过程（尤其是在初始阶段），还提高了泛化能力和对观测演示差异的鲁棒性。使用标准 LASA 手写基准数据集评估了 ILoCI 的性能。结果显示了 ILoCI 在概念获取、识别和生成方面的高效性，以及其对演示变异性的鲁棒性。
引用
@article{arxiv.1704.04408,
title = {Incremental learning of high-level concepts by imitation},
author = {Mina Alibeigi and Majid Nili Ahmadabadi and Babak Nadjar Araabi},
journal= {arXiv preprint arXiv:1704.04408},
year = {2017}
}
备注
6 pages, 5 figures, 2 tables, supplementary material, conference