基于序列条件化 Transporter 网络的多任务学习
机器学习
2021-09-17 v1 人工智能
机器人学
系统与控制
系统与控制
摘要
使机器人能够解决多种操控任务具有广泛的工业应用前景。尽管基于学习的方法具备灵活性与泛化能力，但将这些方法扩展至解决此类组合任务仍具挑战。本工作中，我们旨在从序列条件化与加权采样的视角解决多任务学习。首先，我们提出一套专门针对组合任务的新基准 MultiRavens，其通过受工业任务启发、体现基于视觉的学习与规划方法难点的任务模块来定义自定义任务组合。其次，我们提出一种基于视觉的端到端系统架构——序列条件化 Transporter 网络（Sequence-Conditioned Transporter Networks），其在目标条件化 Transporter 网络（Goal-Conditioned Transporter Networks）基础上引入序列条件化与加权采样，能够高效学习解决多任务长程问题。我们的分析表明，新框架不仅在 10 个新颖多任务基准问题上显著提升拾放性能，而且带加权采样的多任务学习能大幅改善个体任务上的学习与智能体表现。
引用
@article{arxiv.2109.07578,
title = {Multi-Task Learning with Sequence-Conditioned Transporter Networks},
author = {Michael H. Lim and Andy Zeng and Brian Ichter and Maryam Bandari and Erwin Coumans and Claire Tomlin and Stefan Schaal and Aleksandra Faust},
journal= {arXiv preprint arXiv:2109.07578},
year = {2021}
}