论文部分内容阅读
任务学习是机器人智能水平发展到一定程度后的一个必然要求。与单个的简单动作学习相比,融合在任务中的行为学习更有研究价值和现实意义,可以更全面地提升智能体的自主认知能力和适应能力,使得智能机器人能在部分领域中弥补人力的不足,有助于缓和人口老龄化等严重的社会问题。演示学习作为一种“所见即所得”的方式,让机器人通过近似于“人-人”的教授模式来学习任务知识,增强自身智能水平,比强化学习等方式更简单直观,因而逐渐成为近年来人工智能领域的一大研究热点,得到了更广泛的研究和应用,新的挑战也随之而来。
针对当前演示学习扩展性不足的问题,本文以基于视觉的任务学习为例,重点研究了通用对比推理过程在演示学习中的应用,并设计了演示方案进行验证。
主要研究工作和贡献如下:
1.阐述了演示学习基本理论和行为知识表示,介绍了机器人视觉相关技术应用,并在此基础上提出了观察模仿的演示学习框架。
2.提出了以深度信息为分割掩码的HSI颜色空间目标检测方法,对场景目标进行检测和识别,并结合金字塔L-K光流法进行跟踪预测。实验结果表明,本文的方法能满足场景中视觉处理的可靠性要求,且具有较好的实时性。
3.通过探讨对比思想在演示学习中应用的可行性,提出了基于对比认知的观察模仿学习方法,并阐述了其基本步骤;研究了动作共享原则下的状态表示和动作识别方法,并在示例视频数据中取得了很高的动作识别率,这一结果表明,概念层次的范例表示具有较强的抗干扰性和可扩展性。引入有向图的因果网络表示法,提出了特色的逆向推理方法,有效利用了正反例信息来获取任务决策和约束;最后引入增量学习理念,进一步对该学习方法的扩展能力进行了验证和讨论,两部分的仿真实验表明,本文方法在学习效率和扩展能力方面具备一定优势。
4.设计了实体机器人平台上的演示学习系统框架和任务方案,进行了两组具有对比性的示例演示,并利用对比学习获取任务决策和约束,最后在类似场景下成功进行了多组任务的演示验证,结果表明本文的对比学习方法是有效性的。
一言以概之,本文的对比学习方法在观察模仿模式下取得了成功的验证,开启了演示学习领域新思路,可以扩展到更复杂场景或者其他任务学习过程中,给机器人任务学习提供了有价值的参考。