用于室内自主导航的共享多任务模仿学习
计算机视觉与模式识别
2018-08-19 v1 机器人学
摘要
深度模仿学习使机器人能够从专家示范中学习执行诸如车道跟随或避障等任务。然而，在传统模仿学习框架中，一个模型仅学习一项任务，因此缺乏支持机器人在室内环境中使用一个模型执行各种不同导航任务的能力。本文提出一种新框架，共享多头模仿学习（SMIL），允许机器人使用一个模型执行多任务而无需在不同模型间切换。我们将每个任务建模为子策略，并设计多头策略通过累加所有子策略的激活来学习相关任务间的共享信息。与单一或非共享多头策略相比，该框架能够利用任务间的相关信息以提升性能。我们基于 NVIDIA TX2 的机器人实现了该框架，并在室内环境中与不同基线方案进行了大量实验。结果表明，SMIL 的性能是非共享多头策略的两倍。
引用
@article{arxiv.1808.04503,
title = {Shared Multi-Task Imitation Learning for Indoor Self-Navigation},
author = {Junhong Xu and Qiwei Liu and Hanqing Guo and Aaron Kageza and Saeed AlQarni and Shaoen Wu},
journal= {arXiv preprint arXiv:1808.04503},
year = {2018}
}