Imperative Learning: A Self-supervised Neural-Symbolic Learning Framework for Robot Autonomy

数据驱动的方法，如强化学习和模仿学习，在机器人自主性方面取得了显著的成功。然而，它们的数据中心本质仍然阻碍了它们对不断变化的环境的良好泛化。此外，为机器人任务收集大量数据集通常是不切实际和昂贵的。为了克服这些挑战，我们引入了一种新的自我监督神经符号（NeSy）计算框架，即命令式学习（IL），用于机器人自主性，利用符号推理的泛化能力。IL框架由三个主要组件组成：神经模块、推理引擎和存储系统。我们将IL制定为一种特殊的双层优化（BLO），它使三个模块之间进行相互学习。这克服了与数据驱动方法相关的标签密集型障碍，并利用了符号推理方面的逻辑推理、物理原理、几何分析等方面的优势。我们讨论了IL的几种优化技术，并验证了它们在五个不同的机器人自主性任务中的有效性，包括路径规划、规则归纳、最优控制、视觉里程计和多机器人路由。通过各种实验，我们展示了IL可以显著增强机器人自主性能力，并预计它将在各个领域促进进一步的研究。

论文旨在解决机器人自主性的数据中心性和泛化能力不足的问题，提出了一种新的自我监督神经符号计算框架 Imperative Learning（IL）

IL框架包括神经模块、推理引擎和记忆系统，利用符号推理的泛化能力，通过双层优化实现三个模块的互相学习，克服了数据驱动方法的标签密集性障碍。

论文在五个不同的机器人自主任务中验证了IL的有效性，包括路径规划、规则归纳、最优控制、视觉里程计和多机器人路由。实验结果表明，IL可以显著提高机器人自主性能力，并有望在不同领域引起进一步研究。

近期的相关研究包括基于深度学习的机器人自主性方法，如强化学习和模仿学习，以及基于符号推理的方法，如逻辑推理和规则归纳。相关论文包括《Deep Reinforcement Learning for Robotics: A Survey》和《Symbolic Reasoning and Machine Learning》等。