STREAK：家庭环境上下文漂移下物体重定位的持续学习流式网络
机器人学
2025-04-08 v3
摘要
在现实环境中，机器人被期望在多样化任务中协助人类，并随时间持续适应动态变化。例如，在家庭环境中，机器人可以通过获取所需物体来主动帮助用户，这是通过观察物体随时间的移动推断出的学习惯例。然而，这些交互中的数据本质上是非独立同分布的，例如，协助多个用户的机器人可能会遇到不同的数据分布，因为个体遵循不同的习惯。这带来了一个挑战：在不发生灾难性遗忘的情况下整合新知识。为解决这一问题，我们提出了STREAK（时空重定位与自适应知识保留），这是一个用于现实机器人学习的持续学习框架。它利用带有正则化和重演技术的流式图神经网络来缓解上下文漂移，同时保留过去的知识。我们的方法在时间和内存上高效，无需对所有过去数据进行重训练即可实现长期学习，而随着现实世界交互中数据的增长，这变得不可行。我们在50多天内跨不同家庭增量预测人类惯例的任务上评估了STREAK。结果表明，它有效防止了灾难性遗忘，同时保持了泛化能力，使其成为长期人机交互的可扩展解决方案。
引用
@article{arxiv.2411.05549,
title = {STREAK: Streaming Network for Continual Learning of Object Relocations under Household Context Drifts},
author = {Ermanno Bartoli and Fethiye Irmak Dogan and Iolanda Leite},
journal= {arXiv preprint arXiv:2411.05549},
year = {2025}
}