利用具体仿真技术通过交互检测新的物体类别

Apr, 2022

利用具体仿真技术通过交互检测新的物体类别

Exploiting Embodied Simulation to Detect Novel Object Classes Through Interaction

Nikhil Krishnaswamy, Sadaf Ghaffari

TL;DR本文提出了一种用于 naive agent 检测与已知对象类型不同的新奇目标的方法，通过引入强化学习、卷积神经网络和嵌入向量等技术，可以实现从环境中提取相关信息判断物体是否属于新类别。

Abstract

In this paper we present a novel method for a naive agent to detect novel objects it encounters in an interaction. We train a reinforcement learning policy on a stacking task given a known object type, and then observe the results of the agent attempting to stack various other objects

reinforcement learning convolutional neural net novel object detection embedding vectors agent-environment interaction

发现论文，激发创造

在具体模拟环境中检测和适应新类型和新概念

本文讨论了在人工智能系统中进行两种元认知任务的方法：快速扩展神经分类模型以适应新的物体类别，以及识别新型物体类型。我们的方法利用从仿真环境中提取的数值数据，描述物体在相互作用时的运动和属性，并证明这种表示对于成功检测新型类型至关重要。我们展示了一系列的实验，包括新类别和概念的引入以及新型物体检测，同时提出了一个将两者整合到一个交互式系统中的架构。

Nov, 2022

主动视觉学习中的语义好奇心

本文研究了物体检测的体现式交互学习任务，提出基于自监督学习方法的探索策略，使用语义好奇心奖励轨迹样本，通过该方法训练的探索策略具有普适性，能够帮助训练出优于其他方法的物体检测器。

Jun, 2020

在模拟环境中学习如何学习

本研究使用深度强化学习技术训练一种好奇心代理以促进物体检测模型在线学习。我们还提出了一种奖励函数，以权衡代理的两个目标：尽快完成训练或尽可能少地进行人工介入，并考虑了 drone 平台的部分物理特性。

Feb, 2019

通过与物体交互学习物体

通过与 AI2-THOR 环境的互动，实现基于人类婴儿学习机制的计算框架，不依赖外部监督学习，从而有效地发现物体并学习物理特性。

Jun, 2020

超越选取和放置：应对多样形状的机器人堆叠

本文使用增强学习方法和视觉技术在真实环境中完成对复杂物体进行叠放的任务，重点研究了这种方法的优越性和训练问题。

Oct, 2021

基于层次结构的视觉物体识别新颖性检测

研究了一种基于层次分类框架的、更加信息化的新颖性检测方案，该方案可以使用置信校准分类器和数据重新标记等方法，找到一个新类的最接近的超级类，并为其他常用语义嵌入提供了改进的泛化零 - shot 学习性能。

Apr, 2018

探索性示例模型用于深度强化学习

本文提出了一种基于判别式训练范例模型的探索性新颖性检测算法，该算法可以应用于稀疏回报问题的深度强化学习任务，此方法在 vizDoom 基准测试中取得了最先进的结果。

Mar, 2017

学习对象属性规划

本文提出了一种利用符号规划的方法，采用先前的训练数据自动训练神经网络识别物体属性的方法，并使用规划技术来自动化训练数据集的创建和学习过程。最后，我们在模拟和真实环境中进行了实验评估，结果表明所提出的方法能够成功地学习如何识别新的物体属性。

Jan, 2023

对抗环境中交互创新处理的方法和机制

本文介绍了一种应对开放性场景中新颖性挑战的方法，该方法结合了逻辑表示和推理方法，利用通用方法和架构机制检测、表征新颖性，并构建相应的适应性模型进行应对。通过在多智能体博弈中的评估，结果表明所提出的方法在各种新颖性挑战下均表现出高准确率。

Feb, 2023

使用基于物理环境的状态表示学习对物体集合进行操作

提出了一种基于模拟器状态信息用于面向多物体的机器人学习的方法：通过训练一对编码器网络来捕捉潜变量空间中的多物体状态信息，其中一个编码器是卷积神经网络，另一个是图神经网络状态编码器，这使得我们的系统能够操作现实世界中的 RGB 图像，有效地进行多物体操纵的强化学习训练，取得比传统基于图像或固定长度状态编码的方法更高的成功率，在不调参的情况下也在真实世界中表现良好，并且泛化到在训练时未见过的不同数量和类型的物体。

Sep, 2019