Mar, 2024

开放式学习机器人的目标: 一个计算分类、定义和操作化

HTML
PDF
TL;DR通过内在动机和自主生成的目标的引导，自主开放式学习（OEL）机器人能够通过与环境的直接交互累积地获得新的技能和知识。本研究针对OEL机器人在获得的知识与用户任务的相关性之间存在的问题，提出了基于'purpose'的概念的解决方案，并开发了一个具有三层动机层次结构的计算框架，从而使机器人能够自主学习并专注于获取与设计师和用户目的相关的目标和技能。
发现论文，激发创造
  • 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

  • 社交引导下内在动机学习者积极选择教师、学习策略和目标

    介绍了一种基于SGIM-ACTS架构的主动学习方法，帮助机器人通过对多种教师的学习来达到多种目标，包括掌握数据收集策略、实现运动技能和在新情况下进行泛化，该方法在实验中表现出了显著的学习效果。

    Apr, 2018

  • 基于情境的自监督机器人学习中的虚拟目标

    研究了机器人如何通过无监督学习和条件目标设定模型自主地学习和实践行为，从而掌握丰富的技能和处理不同的任务和环境。

    Oct, 2019

  • 自我目标驱动的内在动机条件强化学习下的Autotelic Agents：一个简短调查

    本文介绍了发展性强化学习并提出了一个基于目标条件强化学习的计算框架，以解决本能动机技能获取问题，着重探讨了在自主系统中学习目标表示和优先级的现有方法，并讨论了在 intrinsically motivated skills acquisition 中的一些挑战。

    Dec, 2020

  • 机器人内在动机和自动课程学习实现逐步复杂任务

    提出了一种多任务学习的层级强化学习框架，名为SGIM-SAHT，用于使机器人完成各种复杂的控制任务，并演示了该框架能够学习到基本的任务和复合任务之间的层次关系，从而实现了从简到难的任务学习，并通过表示任务依赖性、内在动机探索、主动模仿等途径，使机器人能够推断出自己的任务学习进度，并决定何时、如何、以及向谁进行模仿学习。

    Feb, 2022

  • 具有非稳态相互依赖关系的自主开放式任务学习

    该论文提出了一种基于马尔可夫决策过程的分层架构，使用内在动机最大化机器人学习多个具有关联性目标的能力，并提出了一种新的系统H-GRAIL来记录自主获取的任务序列，以能够在非稳态情况下修改它们。

    May, 2022

  • 目标条件智能体开放式学习问题定义

    开放式学习是一个复合概念，其核心特性是在无限时间内不断产生新元素，并以开放式目标条件下的强化学习问题为重点研究领域。该研究旨在定义开放式学习的基本属性，并探讨其与相关概念的区别与联系，以填补目前在发展性人工智能研究中的知识空白。

    Nov, 2023

  • 朝自由度开放的任务解决

    通过引入"Diffusion for Open-ended Goals"（DOG）框架来提升具有人工智能的体验智能体（如机器人）的能力，以处理未预见的多方面、动态的、缺乏明确定义的的开放式任务目标，并展示了DOG在迷宫导航和机器人控制问题中处理未见过的任务目标的能力，以增强体验智能体在处理开放式目标时的适应性和能力。

    Dec, 2023

  • 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

  • OK-Robot: 整合开放知识模型对机器人的重要性

    通过将视觉-语言模型（VLMs）与导航原语和抓取原语相结合，OK-Robot提供了一个集成的解决方案，用于无需任何训练的拾取和放置操作，其在10个真实家居环境中取得了58.5%的成功率，在清洁、无杂乱环境中提高到82%，这代表了开放词汇移动操纵中新的最先进技术。

    Jan, 2024