阶段感知注意力网络（SCAN）：一种用于少样本模仿的演示条件策略
机器人学
2021-12-07 v1 人工智能
摘要
在少样本模仿学习（FSIL）中，利用行为克隆（BC）以少量专家演示解决未见任务已成为热门研究方向。以下能力在机器人应用中至关重要：（1）在含多个阶段的复合任务中行动。（2）从少量长度可变且未对齐的演示中检索知识。（3）从不同专家处学习。此前尚无工作能同时具备这些能力。本文在上述设定之并集下研究 FSIL 问题，并引入一种新颖的阶段感知注意力网络（SCAN）以同时从少量演示检索知识。SCAN 使用注意力模块识别长度可变演示中的各阶段。此外，其设计于演示条件策略之下，学习专家与智能体间的关系。实验结果表明，SCAN 无需微调即可从不同专家学习，并在复杂复合任务中优于基线方法，且具备可解释的视觉化。
引用
@article{arxiv.2112.02278,
title = {Stage Conscious Attention Network (SCAN) : A Demonstration-Conditioned Policy for Few-Shot Imitation},
author = {Jia-Fong Yeh and Chi-Ming Chung and Hung-Ting Su and Yi-Ting Chen and Winston H. Hsu},
journal= {arXiv preprint arXiv:2112.02278},
year = {2021}
}
备注
Accepted by AAAI 2022, preprint version, first two authors contribute equally