Core Concepts
Kontinuierliches Lernen von Robotern durch den NBCagenten zur Bewältigung von alten und neuen Fähigkeiten.
Abstract
1. Einleitung
ERL hat Interesse geweckt, maschinelles Lernen mit Robotersteuerung zu fusionieren.
Große Sprachmodelle ermöglichen es, komplexe Roboterfähigkeiten zu erlernen.
NBCagent untersucht die Herausforderungen des kontinuierlichen Lernens von Robotern.
2. Verwandte Arbeit
Fortschritte in der robotischen Manipulation durch verschiedene Methoden.
Kontinuierliches Lernen als Grundlage für die adaptive Entwicklung von KI-Systemen.
3. Methodik
Definition des Problems und Überblick über den Ansatz des NBCagenten.
Skill-spezifischer Evolving Planner zur Trennung von Wissen.
Skill-geteiltes Semantik-Rendering-Modul und Skill-geteiltes Repräsentations-Destillationsmodul.
4. Experimente
Verwendung von RLBench-Datensätzen und CoppelaSim-Simulationen.
Vergleich der Leistung des NBCagenten mit anderen Methoden auf Küchen- und Wohnzimmer-Datensätzen.
5. Schlussfolgerung
Der NBCagent zeigt eine signifikante Verbesserung in Bezug auf das kontinuierliche Lernen von Robotern.
Stats
Relying on large language models (LLMs), embodied robots could perform complex multi-modal robot manipulation tasks from visual observations with powerful generalization ability.
Most visual behavior-cloning agents suffer from manipulation performance degradation and skill knowledge forgetting when adapting into a series of challenging unseen tasks.
We here investigate the above challenge with NBCagent in embodied robots, a pioneering language-conditioned Never-ending Behavior-Cloning agent, which can continually learn observation knowledge of novel robot manipulation skills from skill-specific and skill-shared attributes.
Several major contributions of our work are as follows:
We take the earlier attempt to explore a novel real-world challenging problem called Never-ending Embodied Robot Learning (NERL), where we propose Never-ending Behavior-Cloning agent (i.e., NBCagent) to address the core challenges of skill-wise knowledge learning from skill-specific and skill-shared attributes.
We design a skill-specific evolving planner to decouple the skill-wise knowledge and continually embed skill-specific novel knowledge in our NBCagent.
Moreover, a skill-shared semantic rendering module and a skill-shared representation distillation module is developed to learn skill-shared knowledge from semantics and representation aspects, respectively, and further overcome catastrophic forgetting.
We present a continual embodied robot manipulation benchmark for home robotic manipulation, which consists of two manipulation scenes, kitchen and living room.
Qualitative experiments demonstrate the effectiveness and robustness of our proposed NBCagent.
Quotes
"NBCagent kann kontinuierlich lernen und Wissen von alten und neuen Fähigkeiten übertragen."