Oct, 2017

神经任务编程：跨层次任务学习泛化

PDF
TL;DR本论文提出了一种新的机器人学习框架 —— 神经任务规划（NTP），实现从任务输入到分解、再到完成的过程，在机器人操纵任务中实现强泛化，展现出层次性和组合性的结构，同时对于长度增加、目标变化的未知任务也具备较强的泛化能力。
发现论文，激发创造
  • 神经任务图：从单一视频演示推广到未知任务

    通过使用神经任务图网络作为中间表示，我们成功地在两个复杂任务中将任务的组成结构显式融合到模型中，从而实现任务间的泛化，提高数据效率以及无需密集分层监督而实现强泛化能力，并在 JIGSAWS 手术数据集上展示了良好的任务结构预测性能。

    Jul, 2018

  • 分层神经程序合成

    本文提出了一种可扩展的程序合成框架，通过层级组合程序实现程序合成，该框架可以从输入 / 输出对中合成比之前更长、更复杂的程序，并通过任务嵌入空间和程序解码器将任务嵌入解码为程序。

    Mar, 2023

  • 视觉编程的神经任务合成

    使用神经符号技术 NeurTaskSyn, 可以为给定的编程要求自动综合编程任务，可提高编程教育的质量。

    May, 2023

  • 多任务深度强化学习中的零样本任务泛化

    在强化学习中，我们介绍了一种新的强化学习问题，其中代理需要在学习解决子任务的有用技能后学习执行指令序列。我们考虑到先前未见的指令和更长的指令序列的泛化，为此，我们提出了一种基于类比的新目标和一个层次结构架构，并提出了一个新的神经网络架构来解决延迟奖励问题，实验结果表明这些提议对于泛化到较长指令序列以及未见指令是至关重要的。

    Jun, 2017

  • 少样本模仿学习任务嵌入控制网络

    该论文提出了一种基于测量学习的元学习方法：利用任务嵌入用于学习新的单个、多个实例任务，实现在真实世界中从单个演示中学习新任务的能力。

    Oct, 2018

  • 从多个世代的人类中学习层次规划器

    机器学习中的自然编程通过结合基于程序的学习和分层规划，通过使用语言提示来指导规划提案的概率分布，从而实现了从不同用户和环境中学习并快速适应和解决更复杂任务的目标分解与复杂任务的解决。

    Oct, 2023

  • 分层强化学习用于具有子任务依赖性的零样本普适性

    提出了一种新的强化学习问题，该问题需要代理在一个由子任务图描述的先前未见的环境中进行泛化，我们提出了一种神经子任务图求解器，通过使用递归神经网络嵌入来编码子任务图，并用基于梯度的策略，图奖励传播来预训练它，进一步通过演员 - 评论家方法微调它，实验结果表明，我们的代理可以进行复杂的推理，找到执行子任务图的近似最优方式，并且在未见的子任务图上具备很好的泛化性能。

    Jul, 2018

  • 通过任务时间逻辑和深度强化学习实现系统化概括

    介绍了一种将深度强化学习与时间逻辑相结合的神经符号代理，以实现形式化规定指令的系统性零射 (就是指未曾见过的情况)。研究证明，卷积层的架构在泛化新指令时发挥了关键作用，并证明通过学习少量训练样例，可以从抽象操作符中实现系统化的学习。

    Jun, 2020

  • 基于大型语言模型的机器人任务规划与有向图结构表示

    该研究提出了一种将人类专业知识和 LLM 结合的任务规划方法，通过逐步分解任务并生成任务树来减少每个任务的计划量，并设计了一种策略来分离机器任务计划，从而使任务计划过程更加灵活。

    Jun, 2023

  • 在具有挑战性的环境中，将神经网络和树搜索结合用于任务和动作规划

    利用深度神经网络和强化学习技术，结合蒙特卡罗方法和分层控制策略，解决了复杂动态环境下行车规划的问题，提出了一种用于道路自动驾驶的方案。该方案使用 LTL 约束条件和控制策略，训练神经网络，在规避交通事故、遵守交通规则的前提下，行驶到指定的终点。

    Mar, 2017