面向端到端模仿学习的多实例感知定位
机器人学
2021-01-05 v1 机器学习
摘要
现有的使用图像到动作策略网络的模仿学习架构在输入图像包含多个感兴趣对象实例时表现不佳，尤其在可用于训练的专家演示数量有限的情况下。我们表明，端到端策略网络可通过以下方式以样本高效的方式训练：(a) 将视觉层特征图输出附加一个可指示实例偏好或利用专家演示中存在的隐式偏好的嵌入，以及 (b) 为控制层采用自回归动作生成网络。所提出的定位架构具有更高的精度与样本效率，并能泛化到训练时未见过的更多对象实例的存在。当用于端到端模仿学习以在真实机器人上执行到达、推动与拾放任务时，仅需少至 15 次专家演示即可完成训练。
引用
@article{arxiv.2101.01053,
title = {Multi-Instance Aware Localization for End-to-End Imitation Learning},
author = {Sagar Gubbi Venkatesh and Raviteja Upadrashta and Shishir Kolathaya and Bharadwaj Amrutur},
journal= {arXiv preprint arXiv:2101.01053},
year = {2021}
}
备注
Accepted at IROS 2020