伦敦帝国学院团队开发出一种用于少样本模仿学习的人工智能方法：用最少的演示来掌握新颖的现实世界任务

伦敦帝国学院团队研发少样本模仿学习人工智能方法：用最少示范掌握新颖现实任务技巧

在机器人技术和人工智能不断发展的领域中，一个有趣且具有挑战性的问题是如何教育机器人在完全独特的物体上进行工作，即它们以前从未见过或与之互动过的物体。这个问题的答案对于转变机器人技术至关重要，长期以来一直吸引着研究人员和科学家的注意。为了执行需要与它们进行互动的操作任务，机器人必须理解并将两个物体以任务特定的方式定位在操纵轨迹上。

当从茶壶倒茶到杯子中时，机器人需要确保茶壶的壶嘴和杯子的口径对齐。为了成功完成任务，这种对齐至关重要。然而，同一类别的物体通常具有略有不同的形状，这使得确定哪些精确部分必须对齐以完成某种特定活动变得复杂。当涉及到模仿学习时，这个问题变得更加复杂，因为机器人必须通过示范来推断任务特定的对齐，而不能有关于物品或其类别的任何先验信息。

最近，一组研究人员通过将其作为模仿学习任务并强调物体图形表示中的条件对齐来解决了这个问题。该团队开发了一种技术，可以让机器人从少数示例中学习新的物品对齐和互动技能，并将其作为学习过程的上下文。他们将该方法称为条件对齐，因为它允许机器人在看到示范后立即使用新的一组物体执行任务，无需额外的训练或对物体类别的先验知识。

• 停止在社交网络中犯错！通过这六个必须做的步骤在竞争激烈的数据科学求职市场脱颖而出（来自Spotify的数据科学家）
• 使用Python理解回溯算法：初学者指南
• “使用Scikit-LLM的零样本文本分类体验”

通过试验，研究人员对他们的方法进行了设计决策方面的调查和验证。这些测试显示了他们的方法在实现各种常见的真实世界任务的少样本学习方面的良好表现。与基准技术相比，他们的方法表现更好，展示了在各种物体上学习新任务时的灵活性和效果上的卓越性。

该团队开发了一种独特的策略来解决机器人快速适应新物品并执行在不同物体上展示的任务的问题。他们开发了一个灵活的框架，通过利用图形表示和条件对齐来实现少样本学习，并且他们的研究提供了实证证明。该项目的详细信息可在https://www.robot-learning.uk/implicit-graph-alignment上获取。其项目网页上提供的视频也是该方法在真实世界情境中成功应用和实用性的额外证据。