【标题】Autonomous Open-Ended Learning of Tasks with Non-Stationary Interdependencies

【作者团队】Alejandro Romero, Gianluca Baldassarre, Richard J. Duro, Vieri Giuliano Santucci

【发表日期】2022.5.16

【论文链接】https://arxiv.org/pdf/2205.07562.pdf

【推荐理由】自主开放式学习是机器学习和机器人技术中的一种相关方法，它允许人工智能体的设计能够获得目标和运动技能，而无需用户分配任务。这种方法的一个关键问题是制定策略，以确保智能体在尽可能短的时间内尽可能多地完成任务。事实证明，内在动机会产生一种任务不可知的信号，在目标之间合理分配训练时间。在之前工作的基础上，作者在决策层面解决了关键问题（即构建策略以在目标之间正确选择），并提出了一种分层架构，将子任务选择视为马尔可夫决策过程，能够在内在生成动机的基础上正确学习相互依赖的技能。本文首先深化了对之前系统的分析，展示了在更高层次的体系结构（即目标选择）上整合任务之间关系信息的重要性。然后，介绍了H-GRAIL，这是一个新的系统，它通过添加一个新的学习层来存储自主获取的任务序列，以便在相互依赖是非平稳的情况下修改它们。

 

内容中包含的图片若涉及版权问题，请及时与我们联系删除