面向具身不匹配模仿学习的骨骼特征补偿
机器学习
2022-02-15 v2 机器人学
摘要
从野外演示（例如 YouTube 视频）中学习是模仿学习中一个诱人的目标。然而，要实现该目标，模仿学习算法必须应对演示者与学习器可能具有彼此不同身体这一事实。这种“具身不匹配”条件被许多近期模仿学习算法所忽略。我们提出的模仿学习技术 SILEM（面向具身不匹配模仿学习的骨骼特征补偿，\textbf{S}keletal feature compensation for \textbf{I}mitation \textbf{L}earning with \textbf{E}mbodiment \textbf{M}ismatch）通过引入一个经学习的仿射变换来补偿从学习器与专家处获得的骨骼特征差异，从而处理一种特定类型的具身不匹配。我们基于 PyBullet 的 HalfCheetah 与 Ant 创建玩具域，以评估 SILEM 对此类具身不匹配的益处。我们还在更现实的问题上给出了定性与定量结果——通过观测人类演示，教导包括波士顿动力 Atlas 在内的仿真人形智能体行走。
引用
@article{arxiv.2104.07810,
title = {Skeletal Feature Compensation for Imitation Learning with Embodiment Mismatch},
author = {Eddy Hudson and Garrett Warnell and Faraz Torabi and Peter Stone},
journal= {arXiv preprint arXiv:2104.07810},
year = {2022}
}