ECCVJul, 2022

通过残差动作预测解决视觉模仿学习中的 Copycat 问题

PDF
TL;DR本文研究探讨了模仿学习中的信息流，并提出了一种新的神经网络结构，解决了图像信号缺乏运动信息和物体遮挡的问题，并通过在 CARLA 和 MuJoCo 两个模拟器上的基准测试，成功地缓解了模仿过程中的拷贝问题并超越了现有的解决方案。
发现论文，激发创造
  • 行为克隆中打击模仿代理的研究

    本文提出了在部分观测到的情况下，对于专家动作序列上的重复利用问题的对抗性解决方案，以提高在多个部分观测的模仿学习任务中的性能。

    Oct, 2020

  • 以关键帧为中心的视觉模仿学习

    该研究提出了一种通过加强模仿的关键帧来改进模仿学习的方法，以在视觉模仿等现实场景中实现更好的性能表现，并在基于图像和基于视觉的控制任务中进行了验证。

    Jun, 2021

  • 通过上下文翻译从原始视频中学习模仿行为

    本研究提出了一种基于视频预测、上下文转换和深度强化学习的 “观察型模仿学习” 方法，该方法消除了标准模仿学习对于完全相同环境的假设，并能够从一个演示者的视频中学习各种现实世界中的机器人技能，涵盖扫地、铲杏仁、推物品等家庭琐事任务以及模拟中的许多其他任务。

    Jul, 2017

  • 过程克隆的思维 imitation 链

    本研究提出了一种称为程序克隆的技术，它使用监督序列预测来模拟专家计算的过程，从而实现了对专家行为中间计算的模仿。该方法不仅学习了如何执行一个特定的操作，更重要的是学习了执行该操作的过程和原因。实验证明，使用程序克隆学习中间计算可以在未知环境配置中产生显著的泛化效果。

    May, 2022

  • 通过对抗性模仿从动作捕捉学习人类行为

    本文介绍应用生成对抗性模仿学习方法，通过有限的高维仿人体运动演示数据，训练神经网络策略以产生类人的运动模式，并利用该方法构建子技能策略解决高维身体姿态控制任务。

    Jul, 2017

  • 使用潜在信息进行视觉观察的对抗性模仿学习

    基于视觉观测的模仿学习的研究，在部分可观察环境中，引入了基于状态潜在转换分布的上界来分析学习代理的次优性，并提出了一种名为潜在对抗性观测模仿学的算法，在高维连续机器人任务中表现出与最先进的性能，同时提供显著的计算优势，并可以利用专家视频来提高从像素进行强化学习的效率。

    Sep, 2023

  • 人体姿态预测的模仿学习

    提出了一种新的基于增强学习的姿势预测模型，结合行为克隆和生成对抗学习，通过这种模型对未来的人体姿势进行预测，实验结果表明该模型在短期和长期预测方面优于现有方法。

    Sep, 2019

  • 模仿学习中的因果混淆

    利用行为克隆将策略学习简化为监督学习，但忽略因果关系可能导致因果误识问题，可通过相应的干预（环境交互或专家查询）确定正确的因果模型来解决。研究表明，该问题在多个领域中都存在，例如控制问题和驾驶问题，并经过了与 DAgger 等基线和消融进行验证。

    May, 2019

  • 从观测中学习模仿最新进展

    本文为观察式模仿学习提供了文献综述，并指出了一些开放性研究问题和未来可行性工作。

    May, 2019

  • 神经网络各层输入图像特征的模仿学习

    通过在每个神经网络层中输入具有相对较低相关性的数据来增强其对输出的影响，本文提出了一种应对多模态数据挑战的有效方法，成功地将多样的数据源融入到学习过程中，通过使用原始图像和关节信息作为输入的简单拾放操作实验，即使处理来自短采样时期的数据也展示了显著的成功率提高。

    Jan, 2024