稀疏与稀缺的机器人学习

与语言或视觉不同，机器人学习的一个根本挑战是缺乏大规模数据资源。我们可以从数据表示和数据数量两个角度进一步细化问题：（1）数据稀疏（data sparsity）和（2）数据稀缺（data scarcity）。在本论文中，我将讨论选取的两个领域的研究成果：（1）触觉感知和（2）康复机器人，这两个领域分别是数据稀疏和稀缺的典型例证。触觉感知是机器人不可或缺的模态，但触觉数据往往稀疏，且每次与物理世界的交互只能获取接触局部区域的信息。我将讨论我的工作，针对稀疏触觉信息，通过无模型的强化学习学习仅用触觉的探索和操纵策略，以高效利用稀疏触觉信息。在另一方面，康复机器人是数据稀缺的极端例子，因为收集来自受伤者的生物信号以进行大规模训练具有巨大的挑战性。我将讨论我与医学院和临床医生合作的工作，针对中风恢复者进行意图推断，其中我们实验室开发的手臂矫正器收集来自患者的一组生物信号，并用于推断患者意图执行的活动，以便在正确的时候提供正确类型的物理帮助。我的工作发展了一系列能够实现最小数据意图推断的机器学习算法，包括半监督学习、元学习和生成式AI方法。