Jan, 2024

基于基础模型的机器人自学习框架：从探索中成长

PDF
TL;DR智能机器人是机器人领域的最终目标，本文提出了名为 GExp 的框架，通过自我探索、知识库构建和闭环反馈等模块，使机器人能够自主探索和学习，解决了机器人自主探索各种环境的挑战，并且提供了部署实际机器人系统作为全方位助手的工作流程。
intelligent robotautonomous explorationself-learningknowledge baserobot system
发现论文，激发创造
  • RoboEXP：基于交互式探索的机器人操作行为条件化场景图

    通过交互式场景探索，RoboEXP 系统利用动作条件的场景图（ACSG）有效建模并推进机器人在各种真实环境中的操作任务。

    Feb, 2024

  • 认知心理学启发下的人工智能自主探索

    该研究旨在探讨人类探索行为与人工智能自主性和适应性的联系，并将认知心理学范例应用于机器学习方法中。研究表明，与人类对应的人工智能代理可以通过内部状态与探索行为之间的因果关系来学习并自我发展，这对于人类认知研究和人工智能的发展都具有重大意义。

    Feb, 2023

  • 基于无监督学习的目标领域非赏值驱动探索

    本研究提出使用深度表示学习算法学习目标空间的方法，通过此方法可以发现探索算法，与工程化表示法相比性能表现相匹配。

    Mar, 2018

  • 基于基础模型的通用机器人：调查与元分析

    建立具有普适性的通用机器人系统一直是人工智能领域的长期目标。本研究调查了如何将自然语言处理（NLP）和计算机视觉（CV）领域的基础模型应用于机器人领域，并探讨了构建面向机器人的基础模型的可能形式，以及使用基础模型实现通用机器人系统所面临的主要挑战和未来方向。

    Dec, 2023

  • 通过模仿学习信息聚集

    本篇论文研究的是一个应用于移动机器人自主探索和检查的问题，即在燃料预算有限的情况下最大化从世界中获取的信息量的问题。作者提出了一种新颖的数据驱动的模仿学习框架，并通过 EXPLORE 算法来训练一个策略以模仿一个有完整信息并计算非简约解来最大化获取信息的先知，验证了这一方法在不同对象分布上的适应能力。

    Nov, 2016

  • 具有自动课程学习特性的内在动机目标探索过程

    本论文提出了一种基于内在动机的目标探索算法，结合自主学习过程和增量式目标策略搜寻探索，可以自动生成任务序列并发掘多种技能，无需特定的目标指令，适用于机器人等人工智能设备的自主发展学习。

    Aug, 2017

  • 基於内在動機的自我意識代理學習玩耍

    使用神经网络的好奇心驱动内在动机以及采用自我监督的方法，在简单而生态自然的模拟环境中，实现自主环境探索，获取对环境的理解，从而创造一系列复杂的行为，并提高了对象动态预测、检测、定位和识别任务的性能。

    Feb, 2018

  • 通向通用型机器人的基础模型：通过自动化任务和场景生成实现大规模的多样化技能学习

    该文呈现了一种用于采矿最新大规模基础模型中的知识的具体想法，其目的是将低级技能学习扩展至规模化，从而实现授予通才机器人的基础模型，并享有在各种现实场景中执行多种任务的能力。

    May, 2023

  • 体验式视觉探索的探讨

    本研究探讨了具有摄像机配备的机器人在新颖，非结构化环境中的感知问题，特别是如何进行视觉探索问题，提出了现有视觉探索算法的分类法并创建了一个标准框架进行基准测试。在两个超现实的 3D 环境和多种评估指标下，通过对四种状态下最先进的模式进行彻底的实证研究，为视觉探索领域提供了新的性能指标和基准。

    Jan, 2020

  • 可解释的目标导向智能体和机器人 —— 综合评述

    该文章重点讨论解释目标驱动型智能代理人和机器人的方法，强调透明度、可理解性和持续学习的策略。它提出了可行的目标驱动可解释代理人和机器人的实现路径和要求。

    Apr, 2020