主动第三人称模仿学习

Dec, 2023

Active Third-Person Imitation Learning

Timo Klein, Susanna Weinberger, Adish Singla, Sebastian Tschiatschek

TL;DR通过选择适当的视角从有限的信息中获取专家行为进行第三方模仿学习，并使用生成对抗网络的主动学习方法来理论分析和实证研究其特性和对学习者性能的重要性。

Abstract

We consider the problem of third-person imitation learning with the additional challenge that the learner must select the perspective from which they observe the expert. In our setting, each perspective provides only limited information about the expert's behavior, and the learning age

third-person imitation learning perspective selection limited information generative adversarial network architectural choices

发现论文，激发创造

第三人称模仿学习

本文提出了一种利用领域混淆技术进行无监督第三人称模仿学习的方法，证明了该方法在点质点领域、伸手领域和倒立摆等领域的第三人称模仿学习中取得成功。

Mar, 2017

传感器：通过主动感知模仿第三人称专家的行为

通过引入主动传感器技术，本论文在视觉模仿学习 (IL) 的场景中解决了代理人与专家视角不对齐的问题，提出了基于模型的传感器模仿器 (SENSOR) 来自动调整代理人的视角以匹配专家，实验证明 SENSOR 可以有效地模拟专家的视角和策略，并超过大多数基准方法。

Apr, 2024

分层解耦控制器的第三人称视觉模仿学习

研究对象学习通用设置，构建代理可从第三人称的视频中学习并操作未见过的物体，通过分层式结构实现，高级模块生成子目标序列，低级控制器实施，无需完整状态信息，实验展示在 Baxter 机器人上完成倒和放置物体等操作。

Nov, 2019

演员与观察者：第一人称和第三人称视频的联合建模

本文介绍了 Charades-Ego 数据集，其中包含大量第一人称和第三人称的视频，帮助我们在第一人称和第三人称于视觉研究中建立联系，为建立第一人称视角的模型提供了数据支持。通过本数据集，我们成功地实现了从第三人称到第一人称的知识传递。

Apr, 2018

模仿学习的算法视角

本论文介绍了仿真学习的基本概念、假设、方法及其算法，探究其与机器学习、控制论等领域的关系，为机器学习专家与机器人及应用人工智能专家提供知识储备与工具。

Nov, 2018

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

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

通过降维到 I.I.D. 主动学习实现的主动模仿学习

该论文主要介绍了积极模仿学习（active imitation learning）的概念，通过询问专家对单个状态下预期行为的降低学习难度；引入了一种基于 i.i.d. 积极学习的新方法，并分析了该方法对于非定态（non-stationary）和定态（stationary）策略的可行性和性能；最后，该论文提出了一种实用算法，与其他模型相比在四个测试领域表现出较高的效果。

Oct, 2012

机器人模仿人类动作

通过模仿学习，我们能够快速理解一个新任务，通过演示，我们可以直接获得哪些动作需要执行以及它们的目标的知识。本文介绍了一种新的模仿学习方法，解决了机器人模仿人类所面临的视角变化和身体模式等挑战。我们的方法可以利用单个人类演示来抽象展示任务的信息，并利用该信息进行泛化和复制。我们通过两种最先进的方法进行了新的集成：扩散式动作分割模型用于抽象演示的时间信息，以及开放词汇对象检测器用于空间信息。此外，我们通过符号推理来改进抽象的信息，并利用逆向运动学创建行动计划，以使机器人能够模仿演示的动作。

Jan, 2024

扮演他人角色中的扩散：利用扩散进行机器人的视角理解

在人形机器人中，我们引入了一种新的传播模型，该模型旨在使机器人直接从第三人称演示中学习。我们的模型能够通过转换两个视角之间的物体大小和旋转以及环境来学习和生成第一人称视角，从而充分利用易于产生的第三人称演示和易于模仿的第一人称演示的优势。该模型可以表示第一人称视角的 RGB 图像或计算关节值。在这项任务中，我们的方法明显优于其他图像到图像模型。

Apr, 2024