神经任务编程：学习跨层次任务泛化
人工智能
2018-03-16 v2 机器学习
机器人学
摘要
在这项工作中，我们提出了一种新颖的机器人学习框架，称为神经任务编程（NTP），它桥接了基于演示的少样本学习与神经程序归纳的思想。NTP以任务规范（例如，任务的视频演示）作为输入，并递归地将其分解为更精细的子任务规范。这些规范被馈送至一个层次化神经程序，其中底层程序是可调用的、与环境交互的子例程。我们在三个机器人操作任务中验证了我们的方法。NTP在表现出层次化和组合结构的序列任务上实现了强泛化。实验结果表明，NTP能够很好地泛化到长度不断增加、拓扑结构可变以及目标变化的未见任务。
引用
@article{arxiv.1710.01813,
title = {Neural Task Programming: Learning to Generalize Across Hierarchical Tasks},
author = {Danfei Xu and Suraj Nair and Yuke Zhu and Julian Gao and Animesh Garg and Li Fei-Fei and Silvio Savarese},
journal= {arXiv preprint arXiv:1710.01813},
year = {2018}
}
备注
ICRA 2018