机器人学习(英语:Robot learning)是机器人学机器学习的交叉研究领域[1]。较之其他机器学习算法的应用领域,机器人系统具有训练成本高、包括传感器在内的硬件限制、与外界进行物理交互、交互环境持续动态变化等难点,因而对机器人学习提出了特定的要求[2][3]

目前,对于机器人学习算法的涵盖范围,各研究组织没有统一界定,有的认为机器人学习旨在设计算法使得各类机器人本体实现“学习”[2],有的则认为将各类机器学习算法集成于机器人上都算作机器人学习[4][3]。同此随着机器学习领域的快速发展,机器人学习也不断出现新的研究方向[4]

研究方向

编辑

对于机器人学习,IEEE机器人和自动控制协会英语IEEE Robotics and Automation Society下属的机器人学习技术委员会总结的研究方向为[1]

  • 学习机器人本体、机器人任务或机器人环境的模型
  • 学习下至传感器、电机等硬件,上至抽象任务的层次表示
  • 使用模仿学习(imitation learning)或强化学习的方法来学习机器人的任务决策或控制策略
  • 将学习算法与机器人本体的控制架构结合
  • 使用统计推断方法分析多模态传感器信息
  • 对机器人的时空信息进行表征学习
  • 发展型机器人英语Developmental robotics和基于进化算法的机器人学习

自2017年起,Sergey Levine(加州伯克利)、肯·戈德堡(加州伯克利)、Vincent Vanhoucke(谷歌大脑)等一众高校和研究所学者开始组织机器人学习会议(英语:Conference on Robot Learning),其中第一届的征稿主题范围包括[5][6]

  • 强化学习
  • 模型学习和控制
  • 状态估计;地图构建计算机视觉
  • 多模态感知与传感器融合
  • 基于学习的人与机器人交互;处理自然语言指令
  • 在机械臂、移动机器人、自动驾驶、无人机等领域的应用
  • 仿生学习与控制

参考文献

编辑
  1. ^ 1.0 1.1 Robot Learning - Scope. IEEE Robotics and Automation Society. [2023-03-08]. (原始内容存档于2023-03-21). 
  2. ^ 2.0 2.1 Buhmann, M. D.; Melville, Prem; Sindhwani, Vikas; Quadrianto, Novi; Buntine, Wray L.; Torgo, Luís; Zhang, Xinhua; Stone, Peter; Struyf, Jan; Blockeel, Hendrik; Driessens, Kurt; Miikkulainen, Risto; Wiewiora, Eric; Peters, Jan; Tedrake, Russ; Roy, Nicholas; Morimoto, Jun; Flach, Peter A.; Fürnkranz, Johannes. Robot Learning. Encyclopedia of Machine Learning. 2011: 865–869. doi:10.1007/978-0-387-30164-8_732. 
  3. ^ 3.0 3.1 A Summary of the First Conference on Robot Learning. Google AI Blog. 2017-12-13 [2023-03-08]. (原始内容存档于2023-03-08). 
  4. ^ 4.0 4.1 Recent Technical Innovations In Robot Learning. IEEE RAS. [2023-03-08]. (原始内容存档于2023-03-08). 
  5. ^ CoRL2017 - Conference on Robot Learning 2017. CoRL Conferences. [2023-03-08]. (原始内容存档于2023-03-08). 
  6. ^ CoRL 2017 : Conference on Robot Learning. wikicfp. [2023-03-08]. (原始内容存档于2023-03-08). 

外部链接

编辑