Mar, 2018

基于无监督学习的目标领域非赏值驱动探索

PDF
TL;DR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。
intrinsically motivated goal exploration algorithmsdeep representation learningautonomyrobot arm interactionengineered representations
发现论文，激发创造
  • 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

  • 具有自动课程学习特性的内在动机目标探索过程

    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。

    Aug, 2017

  • 想象目标的视觉强化学习

    介绍了一种通过结合无监督表示学习和强化学习来获得一般技能库的算法，可以处理原始感官输入（如图像），并使用后期目标重新标记方案来进一步提高其方法的样本效率，在实际机器人系统上获得了比之前的技术更好的效果。

    Jul, 2018

  • GRIMGEP: 视觉深度强化学习中鲁棒目标采样的进展学习

    提出了一种框架，可以使代理能够自主识别和忽略干扰区域，从而在可学习区域中寻找新颖性，改善整体表现并避免灾难性遗忘。实验表明，代理利用该框架成功地识别了环境的有趣区域，并在性能上取得了极大的改善。

    Aug, 2020

  • 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

  • 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

  • 通过修剪原型目标扩展目标导向探索的规模

    本研究基于强化学习，通过在人工设计产生的广泛目标空间中寻找可控、可达、新颖和相关目标的自主发现过程，弥补探索广域领域中新奇性和涵盖性行为不足的问题，并在三种具有挑战性的环境中证明了目标导向的探索的有效性。

    Feb, 2023

  • 基于情境的自监督机器人学习中的虚拟目标

    研究了机器人如何通过无监督学习和条件目标设定模型自主地学习和实践行为，从而掌握丰富的技能和处理不同的任务和环境。

    Oct, 2019

  • 使用内禀动机学习目标条件策略的深度强化学习

    本文提出了一种新的无监督学习方法，名为具有内在动机的目标导向策略（GPIM）。通过将抽象级别的策略与目标条件策略联合学习，本方法在各种机器人任务中证明了其有效性和高效性，大大优于先前的技术。

    Apr, 2021

  • 分层策略学习对目标空间设计敏感

    通过对理想目标空间的研究，系统地分析的各种修改对分层模型学习的影响，结果表明旋转目标空间和噪声对学习没有影响，而具有额外的不必要因素显著地损害了分层模型的学习效果。

    May, 2019