Nov, 2023

机器人中的迁移学习：即将到来的突破？承诺与挑战综述

PDF
TL;DR通过一个综述性论文，我们统一了机器人学领域中的迁移学习概念，并提供了首个考虑机器人、任务和环境关键概念的分类法，同时也强调了在实现迁移学习的全部潜力方面最重要的障碍，包括迁移的不同抽象层级，迁移差距和质量的量化需求，以及负向迁移所带来的危险。希望通过本文引导学术界在实现机器人学中迁移学习的全部潜力方面集中努力。
transfer learningembodied agentstaxonomyabstraction levelsnegative transfer
发现论文，激发创造
  • 深度学习中的可迁移性研究

    本文介绍深度学习中的迁移学习，包含核心原理和方法、面临的基本问题、未解决的问题以及工具库和基准测试等方面的内容。

    Jan, 2022

  • 通过迁移学习增强现实世界人机合作团队表现

    本项研究将迁移学习集成在深度强化学习代理中，以此从专家那里传递知识提高人 - 机器协作质量。实验发现，这种方式不仅缩短了任务训练时间，而且明显提升了团队表现和主观感受，并能为透明和可解释的机器人行为设计提供有趣的见解。

    Nov, 2022

  • 工业自动化的深度迁移学习：一项针对数据驱动机器学习新技术的综述和讨论

    介绍了迁移学习和持续学习的概念，综述了工业深度迁移学习的应用方法，包括计算机视觉等领域已达到最新技术水平的方法，以及其他领域如故障预测刚刚起步。提出了基于工业迁移学习应用的基本用例，并强调了将持续学习和迁移学习结合起来，以满足工业自动化领域对强鲁棒性学习算法的需求。

    Dec, 2020

  • 深度强化学习中的迁移学习：综述

    调查了深度强化学习中迁移学习方法的最新进展，提供了对目标，方法，兼容强化学习骨架以及实际应用等方面分析的框架，并从强化学习的角度探讨了迁移学习与其他相关话题之间的联系和潜在挑战。

    Sep, 2020

  • 将机器人的表示与人类对齐

    研究了如何将在一个环境中学到的知识传递到另一个环境中的关键问题，并通过学习人类期望机器人执行哪些任务的中间表示方法，来提高机器人学习效率，从而为人类与机器人的互动打下基础。

    May, 2022

  • 机器人深度强化学习中的模拟到真实转移：一项调查

    本篇综述涵盖了深度强化学习中模拟转真实环境的基本背景，包括不同方向的方法和应用场景，重点讨论了域随机化、域自适应、模仿学习、元学习和知识蒸馏等方法及其存在的机遇和挑战。

    Sep, 2020

  • 机器人的持续学习：定义、框架、学习策略、机遇和挑战

    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

  • 探索因果世界：通过知识转移和课程学习增强机器人操纵能力

    使用强化学习训练三指机械臂的复杂任务，通过 fine-tuning 和 curriculum learning 的知识迁移策略提高学习效率和效果，并研究两种学习策略的关键因素及其效果，以应用于更广泛的基于学习的工程应用。

    Mar, 2024

  • RT-1：用于实际规模控制的机器人变压器

    通过开放式训练和高容量结构的机器学习模型，结合具有各种数据多样性的大规模数据集，以实现机器人模型的泛化能力。

    Dec, 2022

  • 利用强化学习学习不变特征空间进行技能转移

    本文介绍了一个强化学习算法，用于在不同形态的机器人中传递知识并实现多种技能的学习。模拟实验结果表明，我们可以在不同连接数和肌腱驱动和扭矩驱动机器人的模拟环境中传递知识和技能。

    Mar, 2017