Plan2Vec：基于潜在规划的无人监督表示学习
机器学习
2020-05-08 v1 人工智能
机器学习
摘要
本文中我们引入 plan2vec，一种受强化学习启发的无人监督表示学习方法。Plan2vec 利用近邻距离在图像数据集上构建加权图，随后通过对规划路径上的路径积分进行蒸馏，将此局部度量外推为全局嵌入。当应用于控制时，plan2vec 提供了一种学习目标条件价值估计的方式，其在长时域上准确且计算与采样高效。我们在一种模拟与两个具挑战性的真实世界图像数据集上展示了 plan2vec 的有效性。实验结果表明，plan2vec 成功摊还了规划代价，实现了随内存与计算复杂度线性而非对整个状态空间穷举的反应式规划。
引用
@article{arxiv.2005.03648,
title = {Plan2Vec: Unsupervised Representation Learning by Latent Plans},
author = {Ge Yang and Amy Zhang and Ari S. Morcos and Joelle Pineau and Pieter Abbeel and Roberto Calandra},
journal= {arXiv preprint arXiv:2005.03648},
year = {2020}
}
备注
code available at https://geyang.github.io/plan2vec