以退为进：将动作影响嵌入动作语义之上
计算机视觉与模式识别
2023-04-25 v1 人工智能
机器人学
摘要
训练具身智能体时的一个常见假设是，执行某动作所产生的影响稳定不变；例如，执行“向前移动”动作将始终使智能体前进固定距离，或许伴随少量执行器引起的噪声。该假设具有局限性；智能体可能遇到显著改变动作影响的场景：在湿滑地面上“向前移动”可能使智能体行进预期两倍距离，而轮子破损时使用同一动作可能将预期的平移变为旋转。我们不再依赖动作影响稳定反映其预定义语义，而是提出使用隐嵌入实时建模动作影响。通过将这些隐动作嵌入与一种新颖的、基于 transformer 的策略头结合，我们设计了动作自适应策略（AAP）。我们在 AI2-THOR 和 Habitat 环境中的两项具挑战性的视觉导航任务上评估了 AAP，表明即使在推理时面临缺失动作和先前未见的扰动动作空间，AAP 仍具有高性能。此外，我们观察到在真实场景评估中针对这些动作的鲁棒性显著提升。
引用
@article{arxiv.2304.12289,
title = {Moving Forward by Moving Backward: Embedding Action Impact over Action Semantics},
author = {Kuo-Hao Zeng and Luca Weihs and Roozbeh Mottaghi and Ali Farhadi},
journal= {arXiv preprint arXiv:2304.12289},
year = {2023}
}
备注
21 pages, 17 figures, ICLR 2023