自监督学习：何时融合主传感器与次传感器线索是有益的？
机器人学
2017-10-10 v1 人工智能
机器学习
摘要
自监督学习（SSL）是一种可靠的学习机制，机器人借此可以增强其感知能力。通常，在 SSL 中，受信任的主传感器线索为次传感器线索提供有监督的训练数据。本文对 SSL 最小模型中主线索与次线索的融合进行了理论分析，并给出了证明，确定了在何种特定条件下进行融合是有利的。简而言之，当 (i) 目标值的先验很强，或 (ii) 次线索足够准确时，融合是有利的。理论发现通过计算实验得到了验证。随后，进行了一项真实世界案例研究，以调查当最小模型的假设不成立时，SSL 中的融合是否依然有益。具体而言，一个飞行机器人学习将压力测量值映射到声纳高度测量值，然后将两者融合，从而获得更好的高度估计。在相反的情况下，即以压力作为主线索时，融合同样有益。该分析与结果鼓励人们针对其他机器人和传感器研究 SSL 融合。
引用
@article{arxiv.1709.08126,
title = {Self-supervised learning: When is fusion of the primary and secondary sensor cue useful?},
author = {G. C. H. E. de Croon},
journal= {arXiv preprint arXiv:1709.08126},
year = {2017}
}