Retrieval-Augmented Embodied Agents

在复杂和不确定的环境中运作的具身代理面临着相当大的挑战。虽然一些先进的代理处理复杂的操纵任务时表现出色，但它们的成功往往取决于大量的训练数据来开发它们的能力。相比之下，人类通常依靠回忆过去的经验和类似的情况来解决新问题。为了在机器人技术中模仿这种人类方法，我们介绍了检索增强型具身代理（RAEA）。这种创新系统为机器人配备了一种共享记忆，显著提高了它们的性能。我们的方法集成了一个策略检索器，使机器人能够根据多模态输入从外部策略存储库中访问相关策略。此外，还使用了一个策略生成器，将这些策略融入到学习过程中，使机器人能够制定有效的任务响应。RAEA在模拟和现实场景中的广泛测试证明了它比传统方法具有更优越的性能，代表了机器人技术的重大飞跃。

论文旨在为机器人提供一种共享记忆的形式，以增强其性能，以模仿人类解决新问题的方法。

Retrieval-Augmented Embodied Agent (RAEA)系统使用策略检索器和策略生成器相结合的方式，使机器人能够从外部策略内存库中访问相关策略，并将这些策略融入到学习过程中，从而使机器人能够有效地响应任务。

RAEA在模拟和现实场景中进行了广泛测试，并展示了其优越的性能。论文提供了开放的数据集和代码。

最近的相关研究包括《A Survey of Memory-Augmented Neural Networks》、《End-to-End Memory Networks》、《Neural Turing Machines》等。