半监督神经过程用于关节物体交互
机器人学
2024-12-03 v1 机器学习
摘要
标注动作数据的稀缺性是开发机器人物体操控算法的主要挑战之一。机器人与大量物体交互昂贵且往往不可行。相反，大量无交互的物体视觉数据可用于预训练和特征提取。然而，当前依赖图像数据进行预训练的方法难以适用于特定任务预测，因为所学特征不一定相关。本文引入半监督神经过程（Semi-Supervised Neural Process, SSNP）：一种为只有小部分物体具有标注交互数据的情况下设计的自适应奖励预测模型。除了预测奖励标签外，SSNP的潜在空间还与使用来自更大物体集合的被动数据 jointly 训练的自编码器目标相结合。通过与两种类型的数据联合训练，模型能够更有效地聚焦于可泛化的特征，最小化对广泛再训练的需求，从而降低计算需求。通过门打开任务实验表明，SSNP的 efficay 优于其他半监督方法，仅使用了其他自适应模型数据量的一部分。
引用
@article{arxiv.2412.00145,
title = {Semi-Supervised Neural Processes for Articulated Object Interactions},
author = {Emily Liu and Michael Noseworthy and Nicholas Roy},
journal= {arXiv preprint arXiv:2412.00145},
year = {2024}
}