具有自动课程学习特性的内在动机目标探索过程

Aug, 2017

具有自动课程学习特性的内在动机目标探索过程

Intrinsically Motivated Goal Exploration Processes with Automatic Curriculum Learning

Sébastien Forestier, Rémy Portelas, Yoan Mollard, Pierre-Yves Oudeyer

TL;DR本论文提出了一种基于内在动机的目标探索算法，结合自主学习过程和增量式目标策略搜寻探索，可以自动生成任务序列并发掘多种技能，无需特定的目标指令，适用于机器人等人工智能设备的自主发展学习。

Abstract

Intrinsically motivated spontaneous exploration is a key enabler of autonomous developmental learning in human children. It enables the discovery of skill repertoires through autotelic learning, i.e. the self-generation, self-selection, self-ordering and self-experimentation of learnin

intrinsically motivated exploration autonomous learning goal-parameterized policy learning curriculum skill repertoires

发现论文，激发创造

基于无监督学习的目标领域非赏值驱动探索

本研究提出使用深度表示学习算法学习目标空间的方法，通过此方法可以发现探索算法，与工程化表示法相比性能表现相匹配。

Mar, 2018

自组织系统中多样化模式的内在激励发现

通过运用内在动机的机器学习算法，实现自发模式的自动发现和多样性；同时提出了基于深度自编码器和 CPPN 函数的增量式方法，有效地在寻找自发模式方面比多个基准测试的系统更为高效。

Aug, 2019

CURIOUS: 内在动机模块化多目标强化学习

该论文提出了一种名为 CURIOUS 的算法，它利用 MODULAR Universal Value Function Approximator 和自动化课程学习机制来实现学习代理的自主目标设定和自我组织学习课程，实现学习目标的快速最优化。

Oct, 2018

使用内在动机目标探索的主动式学习逆模型在机器人中的应用

使用 SAGG-RIAC 架构，该论文提出了一种内在驱动的目标探索机制，能够使高维冗余机器人有效地学习参数化运动技能 / 策略的分布，学习主动选择性学习目标并推动机器人朝着越来越复杂的任务发展。

Jan, 2013

学习去耦合目标空间的好奇心驱动探索

本文介绍了如何使用内在动机和深度学习算法来有效生成目标空间，提出了使用解耦目标空间可以更好地进行探索，同时利用模块化学习进度驱动求知型探索，同时发现了环境的独立可控特征。

Jul, 2018

自我目标驱动的内在动机条件强化学习下的 Autotelic Agents：一个简短调查

本文介绍了发展性强化学习并提出了一个基于目标条件强化学习的计算框架，以解决本能动机技能获取问题，着重探讨了在自主系统中学习目标表示和优先级的现有方法，并讨论了在 intrinsically motivated skills acquisition 中的一些挑战。

Dec, 2020

通过非对称自对弈实现内在动机和自动课程学习

通过提出动态协同（Alice 和 Bob）的兴趣课程，使用一种适当的奖励机制，有效地进行无人监督的强化学习，用于环境感知系统中的智能体的训练

Mar, 2017

基于视觉情节记忆的探索

使用视觉情节记忆作为内在动机的机器人探索问题的研究，通过卷积递归神经网络自编码器学习时空特征的高效表达，结构相似度作为内在动机信号来引导探索，超过了好奇心驱动的变分自编码器在发现动态异常方面的表现。

May, 2024

通过价值分歧进行自动课程学习

通过提出自动课程设计和目标建议模块，来提高强化学习中的多任务目标采样效率，并在机器人和导航任务中展示了比现有方法更好的性能。

Jun, 2020

具有非稳态相互依赖关系的自主开放式任务学习

该论文提出了一种基于马尔可夫决策过程的分层架构，使用内在动机最大化机器人学习多个具有关联性目标的能力，并提出了一种新的系统 H-GRAIL 来记录自主获取的任务序列，以能够在非稳态情况下修改它们。

May, 2022