SKILL-IL：在多任务模仿学习中解耦技能与知识
机器学习
2022-07-27 v2
摘要
本文中，我们提出了一种在多任务模仿学习中学习可迁移内容的新视角。人类能够迁移技能与知识：如果我们能骑车去上班、开车去商店，那么我们也能骑车去商店、开车去上班。我们受此启发，假设策略网络的潜在记忆可被解耦为两个分区，分别包含任务所处环境上下文的知识，或解决任务所需的可泛化技能。这使得在未见过的同环境技能组合以及未见环境中同任务的训练效率提升、泛化能力增强。我们使用所提方法为两种不同的多任务 IL 环境训练了解耦智能体，在两种情况下均以 30% 的任务成功率优势超越 SOTA，并在真实机器人导航中进行了验证。
引用
@article{arxiv.2205.03130,
title = {SKILL-IL: Disentangling Skill and Knowledge in Multitask Imitation Learning},
author = {Bian Xihan and Oscar Mendez and Simon Hadfield},
journal= {arXiv preprint arXiv:2205.03130},
year = {2022}
}
备注
Submitted to IROS 2022, under review