评估家用机器人上的持续学习
我们结合了持续学习、语义推理和交互式机器学习的思想,并通过人机交互开发了一种新型的交互式持续学习架构,用于在家庭环境中不断学习语义知识。我们将该架构与一个物理移动机器人集成,并在实验室环境中进行了两个月的广泛系统评估。结果表明,我们的架构能够使物理机器人能够根据用户提供的有限数据不断适应环境的变化,并利用所学知识执行物体获取任务。
Mar, 2024
未来的自主智能机器人面临着从非重复稀疏数据流中学习、检测新颖性并具备无监督学习能力的挑战。本文通过提出一种名为 Continually Learning Prototypes (CLP) 的基于原型的方法,解决了这一挑战。CLP 在 FS-OCL 学习中表现出卓越的结果,在检测新颖性和无监督学习方面达到强基线水平。
Mar, 2024
本研究探讨了实体代理通过语言指令执行日常任务的学习过程,提出了两种持续学习设置(行为增量学习和环境增量学习),并使用置信度感知滑动平均方法(CAMA)更新过去任务的信息,从而在实证验证中取得比现有方法更好的效果。
Mar, 2024
本文提出了一种基于 CORe50 基准和无重演技术的新颖的持续学习协议,可在小批量非 i.i.d. 增量的挑战性情况下有效学习,并且我们的实验表明,在某些情况下,AR1 * 可以比其他最先进的无重演技术的精度提高 15%以上,而且在训练批次之间具有非常轻量和恒定的计算和存储开销。
Jul, 2019
这篇论文介绍了连续学习的概念和机器学习中面临的挑战,提出了在自主体或机器人中使用连续学习以适应环境和优化学习过程的方法,并介绍了现有的基准和度量标准,并提出了一种框架来评估这些方法的有效性。
Jun, 2019
本论文研究了如何将基于连续学习模型的目标识别系统与移动机器人 Fetch 结合起来,以便使机器人能够在与人类用户的多个交互中继续学习。通过与 60 名参与者进行的实验,作者发现,如果机器人忘记了之前学过的目标,参与者对于连续学习机器人的信任、能力和可用性的感知将会明显降低。然而,进行 2-3 次教学和测试任务的任务负荷并不随会话数的增加而增加。此外,本研究发现,目前的连续学习模型在机器人与人类参与者交互时的可靠性较低。
May, 2023
本文研究了人类教授机器人学习的方式及学习机器人需要如何快速学习新信息,在理解每个用户的教学风格方面个性化改进。对 200 个会话进行研究,结果表明教学者的风格存在显著变异,需要进行个性化的适应。同时,在实际运用中,常规设备测试机器学习无法代替真实用户的操作方法。
Jun, 2023
家用机器人上安装的视觉系统需要与不可见的类别在多变的环境中进行交互。我们提出了 RobOCLe 作为一种少样本在线持续学习模型,通过构建富化特征空间和计算样本的高阶统计矩来改善连续学习模型的鲁棒性。
Jul, 2023
本论文提出了一种称之为强化连续学习的方法,该方法通过巧妙设计的强化学习策略为每个任务搜索最佳神经架构,不仅能够在防止灾难性遗忘方面有很好的性能,还能够适应新任务。在 MNIST 和 CIFAR-100 数据集的连续分类任务实验中,该方法优于现有的深度网络连续学习替代方案。
May, 2018
提出了 Continual World 基准,并进行了基于机器人任务的方法评估,该评估针对 Continual learning 中的前向迁移和 Catastrophic forgetting 进行优化,以提高方法在 RL 中的性能。
May, 2021