基于技能提示的层次化持续模仿学习：机器人操控中的SPECI方法
机器人学
2025-04-23 v1 机器学习
摘要
现实世界的机器人操控需要适应不断变化的物体、场景和任务。传统的模仿学习依赖于静态训练范例, 这种做法不适用于持续适应。尽管持续模仿学习(CIL)允许在保持已学习知识的同时进行任务适应, 但当前的CIL方法主要忽视机器人操控的固有技能特征, 或依赖于手动定义的僵化技能, 导致跨任务知识迁移次优。为此, 我们提出了基于技能提示的层次化持续模仿学习(SPECI), 这是一种用于机器人操控的新型端到端层次化CIL策略架构。SPECI框架包括用于异构感知信息编码的多模态感知和融合模块, 用于动态技能提取和选择的高层技能推理模块, 以及用于精确动作生成的低层动作执行模块。为在技能和任务水平上实现高效知识迁移, SPECI通过可扩展技能码本和注意力驱动的技能选择机制进行持续的隐式技能获取和重用。此外, 我们引入模式近似, 将任务特定和任务共享参数增强到后两个模块中, 从而提高任务级知识迁移。在多样化操控任务套件上的大量实验表明, SPECI在所有评估指标上均优于当前最先进的CIL方法, 揭示了卓越的双向知识迁移和优异的整体性能。
引用
@article{arxiv.2504.15561,
title = {SPECI: Skill Prompts based Hierarchical Continual Imitation Learning for Robot Manipulation},
author = {Jingkai Xu and Xiangli Nie},
journal= {arXiv preprint arXiv:2504.15561},
year = {2025}
}