机器人借助内在动机与自动课程学习掌握日益复杂的任务
机器人学
2022-02-22 v1 人工智能
摘要
机器人的多任务学习带来了领域知识的挑战：任务的复杂性、所需动作的复杂性、以及用于迁移学习的任务间关系。我们证明该领域知识可被学习以应对终身学习中的挑战。具体而言，不同复杂性任务间的层次结构是从简单到复合任务推断课程的关键。我们提出一个框架，使机器人能够学习复杂度无界的动作序列，以实现多种不同复杂度的控制任务。我们的分层强化学习框架名为 SGIM-SAHT，提供了研究的新方向，并试图统一机械臂与移动机器人上的部分实现。我们概述了使机器人将多种控制任务映射到动作序列的贡献：任务依赖的表示、用于学习任务层次的内在动机探索、以及主动模仿学习。在学习任务层次的同时，它通过决定先探索哪些任务、如何迁移知识、以及何时、如何及向谁模仿来推断其课程。
引用
@article{arxiv.2202.10222,
title = {Robots Learn Increasingly Complex Tasks with Intrinsic Motivation and Automatic Curriculum Learning},
author = {Sao Mai Nguyen and Nicolas Duminy and Alexandre Manoury and Dominique Duhaut and Cédric Buche},
journal= {arXiv preprint arXiv:2202.10222},
year = {2022}
}