Neueste Fortschritte im One-Shot-Imitationslernen ermöglichen es Robotern, neue Manipulationsfertigkeiten aus einer einzigen menschlichen Demonstration zu erlernen. Während bestehende Methoden bei einstufigen Aufgaben starke Leistungen erzielen, sind sie bei der Bewältigung von langwierigen, mehrstufigen Aufgaben ohne zusätzliche Modelltraining oder manuelle Annotation weiterhin eingeschränkt. Wir schlagen eine Methode vor, die in diesem Szenario angewendet werden kann, vorausgesetzt eine einzelne Demonstration liegt vor, ohne dass zusätzliches Modelltraining oder manuelle Annotation erforderlich ist. Wir evaluierten unsere Methode bei mehrstufigen und einstufigen Manipulationsaufgaben, bei denen unsere Methode eine durchschnittliche Erfolgsquote von 82,5 % beziehungsweise 90 % erreicht. Unsere Methode erreicht in beiden Fällen gleiche oder bessere Leistungen als die Baseline-Methoden. Wir vergleichen außerdem die Leistung und Recheneffizienz alternativer vortrainierter Merkmalsextraktoren innerhalb unseres Rahmens.
Wichitwechkarn et al. (Mon,) haben diese Frage untersucht.