Aprendizaje por imitación

Las técnicas de aprendizaje por imitación tienen como objetivo imitar el comportamiento humano en una tarea dada. Un agente (una máquina de aprendizaje) se entrena para realizar una tarea a partir de demostraciones mediante el aprendizaje de una correspondencia entre observaciones y acciones. La idea de enseñar por imitación ha existido durante muchos años; sin embargo, el campo está ganando atención recientemente debido a los avances en la computación y la percepción, así como al aumento de la demanda de aplicaciones inteligentes. El paradigma del aprendizaje por imitación está ganando popularidad porque facilita la enseñanza de tareas complejas con un conocimiento experto mínimo de las tareas. Los métodos genéricos de aprendizaje por imitación podrían reducir potencialmente el problema de enseñar una tarea al de proporcionar demostraciones, sin la necesidad de programación explícita o diseño de funciones de recompensa específicas para la tarea. Los sensores modernos son capaces de recopilar y transmitir grandes volúmenes de datos rápidamente, y los procesadores con alta potencia computacional permiten un procesamiento rápido que mapea los datos sensoriales a acciones de manera oportuna. Esto abre la puerta a muchas aplicaciones potenciales de IA que requieren percepción y reacción en tiempo real, como robots humanoides, vehículos autónomos, interacción humano-computadora y videojuegos, por nombrar algunos. Sin embargo, se necesitan algoritmos especializados para aprender modelos de manera efectiva y robusta, ya que el aprendizaje por imitación presenta sus propios desafíos. En este artículo, revisamos los métodos de aprendizaje por imitación y presentamos opciones de diseño en diferentes etapas del proceso de aprendizaje. Introducimos un trasfondo y motivación para el campo, así como destacamos los desafíos específicos del problema de imitación. Se categorizan y revisan los métodos para diseñar y evaluar tareas de aprendizaje por imitación. Se presta especial atención a los métodos de aprendizaje en robótica y juegos, ya que estos dominios son los más populares en la literatura y brindan una amplia variedad de problemas y metodologías. Discutimos extensamente la combinación de enfoques de aprendizaje por imitación utilizando diferentes fuentes y métodos, así como la incorporación de otros métodos de aprendizaje de movimiento para mejorar la imitación. También discutimos el impacto potencial en la industria, presentamos las principales aplicaciones y destacamos direcciones actuales y futuras de investigación.