Chelsea Finn是機器人、強化學習、元學習領(lǐng)域的知名學者。

該文章提出了一種基于元學習的方法，用于實現(xiàn)機器人在現(xiàn)實世界中的多任務學習。

這種方法通過在多個任務之間共享知識，提高了機器人在不同任務之間的泛化能力。

這種方法采用從少量人類專家數(shù)據(jù)和大量未標記數(shù)據(jù)集中學習機器人技能，其主要思想是使用專家數(shù)據(jù)來查詢未標記的數(shù)據(jù)集中的相關(guān)行為，然后針對專家和查詢的數(shù)據(jù)訓練策略。

具體來說，文章提出了一種稱為“行為檢索”的技術(shù)，用于從先前的經(jīng)驗中檢索與當前任務相關(guān)的行為。這種方法使用了一種稱為“GCBC”的元學習算法，該算法可以在多個任務之間共享知識，并使用一種稱為“FT”的技術(shù)來適應新的任務。該論文聲稱，該方法可以從未標記的數(shù)據(jù)集中過濾出不相關(guān)或次優(yōu)的數(shù)據(jù)，并利用相關(guān)數(shù)據(jù)的多樣性和豐富性。這種方法在多個任務上取得了良好的性能，包括在現(xiàn)實世界中的機器人任務。

本文從圖像中評估了該方法在模擬和真實機器人操作任務上的性能，并表明它優(yōu)于僅使用專家數(shù)據(jù)或所有未標記數(shù)據(jù)的基線方法。文中還將該方法與目標條件方法進行了比較，結(jié)果表明該方法以較低的復雜度獲得了更好的性能。