QueST：用于学习连续控制的自监督技能抽象
机器人学
2024-09-12 v3
摘要
泛化能力，或说其缺乏，是机器人学习领域最重要的未解难题之一，尽管已有多个大规模研究致力于解决此问题，但至今仍未被充分解决。在本文中，我们假设使用潜在变量模型（Latent Variable Models, LVMs）学习时间动作抽象是一个值得探索的方向，这类模型学习将数据映射到压缩潜在空间并再映射回数据的方式。虽然已有多个研究尝试证明这一观点，但通常受限于无法忠实捕捉可共享表征的网络架构。为此，我们提出了量化技能变换器（Quantized Skill Transformer, QueST），它学习更大更灵活的潜在编码，能够更胜任各种任务所必需的低层技能的建模。为充分利用这种额外的灵活性，QueST将动作序列数据中的因果归因引入潜在空间，导致更具语义意义且可迁移的表征。我们与最先进的模仿学习和LVM基线方法进行比较，发现QueST的架构在多个多任务和few-shot学习基准测试中表现出色。进一步结果和视频可在https://quest-model.github.io/获取。
关键词
引用
@article{arxiv.2407.15840,
title = {QueST: Self-Supervised Skill Abstractions for Learning Continuous Control},
author = {Atharva Mete and Haotian Xue and Albert Wilcox and Yongxin Chen and Animesh Garg},
journal= {arXiv preprint arXiv:2407.15840},
year = {2024}
}
备注
Keywords: Behavior Clonning, Action Quantization, Self Supervised Skill Abstraction, Few-shot Imitation Learning