机器人内在自省：从神经元激活中学习内部状态
机器人学
2021-06-04 v2 人工智能
摘要
我们提出了一种受人类如何进行自省过程启发的自省框架。我们的工作假设是神经网络激活编码了信息，并且从这些激活中构建内部状态可以提升 actor-critic 模型的性能。我们进行了实验，首先训练一个变分自编码器模型来重建特征提取网络的激活，并利用潜空间在决定执行哪种低级机器人行为时提升 actor-critic 的性能。我们表明，在训练 actor-critic 时，内部状态将所需回合数量减少了约 1300 个回合，意味着在完成机器人任务时更快收敛到高成功值。
引用
@article{arxiv.2011.01880,
title = {Intrinsic Robotic Introspection: Learning Internal States From Neuron Activations},
author = {Nikos Pitsillos and Ameya Pore and Bjorn Sand Jensen and Gerardo Aragon-Camarasa},
journal= {arXiv preprint arXiv:2011.01880},
year = {2021}
}
备注
Paper accepted at the International Conference on Development and Learning (ICDL) 2021