用于少样本模仿学习的任务嵌入控制网络
机器人学
2018-10-09 v1 人工智能
计算机视觉与模式识别
机器学习
摘要
正如人类一样，机器人应具备利用先前学习任务知识以在新且陌生环境中快速学习新任务的能力。尽管如此，大多数机器人学习方法专注于从零开始学习单一任务，泛化能力有限，且无法利用知识更高效地学习其他任务。一种可能的解决方案是元学习，但许多相关方法在扩展到大量任务以及在不遗忘已学任务的前提下学习更多任务方面存在局限。鉴于此，我们提出任务嵌入控制网络，其借鉴度量学习思想以创建任务嵌入，供机器人利用一次或多次演示学习新任务。在视觉引导操作领域，我们给出了仿真结果，仅使用每次演示的视觉信息时便超越了最先进方法的性能。此外，我们证明我们的方法也可结合域随机化，在仿真中训练少样本学习能力，随后无需额外训练即可部署到真实世界。部署后，机器人可从单次真实世界演示中学习新任务。
引用
@article{arxiv.1810.03237,
title = {Task-Embedded Control Networks for Few-Shot Imitation Learning},
author = {Stephen James and Michael Bloesch and Andrew J. Davison},
journal= {arXiv preprint arXiv:1810.03237},
year = {2018}
}
备注
Published at the Conference on Robot Learning (CoRL) 2018