大规模通用机器人：终身学习与记忆使用学习

人工智能在自然语言处理和计算机视觉等领域取得的广泛成功，尚未完全转移到机器人领域，后者受限于缺乏大规模训练数据和实际任务的复杂性。为此，许多机器人学习研究人员正努力在日常非结构化环境（如我们的家中）部署机器人，以启动数据飞轮。虽然当前的机器人学习系统在特定短期任务方面有效，但其设计不适用于在非结构化环境中长时间 horizon 自主运行。本论文聚焦于解决机器人在长时间 horizon 内运行的两个关键挑战：记忆和终身学习。我们提出了两种新方法来推进这些能力。首先，我们引入t-DGR（基于轨迹的深度生成式重放），在Continual World基准测试中实现了最先进的性能，推动了终身学习。其次，我们开发了一种框架，利用人类演示教导代理有效的记忆利用，从而提高学习效率和Memory Gym任务的成功率。最后，我们讨论了为实现机器人在真实世界环境中大规模运行所必需的终身学习和记忆能力的未来方向。