LOTUS: Aprendizaje de Imitación Continua para la Manipulación Robótica a Través del Descubrimiento de Habilidades No Supervisado

Introducimos LOTUS, un algoritmo de aprendizaje de imitación continua que capacita a un robot físico para aprender de manera continua y eficiente a resolver nuevas tareas de manipulación a lo largo de su vida útil. La idea central detrás de LOTUS es construir una biblioteca de habilidades en crecimiento continuo a partir de una secuencia de nuevas tareas con un pequeño número de demostraciones humanas. LOTUS comienza con un proceso de descubrimiento de habilidades continuo utilizando un modelo de visión de vocabulario abierto, que extrae habilidades como patrones recurrentes presentados en demostraciones no segmentadas. El descubrimiento continuo de habilidades actualiza las habilidades existentes para evitar el olvido catastrófico de tareas anteriores y añade nuevas habilidades para resolver tareas novedosas. LOTUS entrena un meta-controlador que compone de manera flexible varias habilidades para abordar tareas de manipulación basadas en visión en el proceso de aprendizaje a lo largo de la vida. Nuestros experimentos completos muestran que LOTUS supera las líneas base de última generación en más del 11% en tasa de éxito, mostrando su superior capacidad de transferencia de conocimiento en comparación con métodos anteriores. Más resultados y videos se pueden encontrar en el sitio web del proyecto: https://ut-austin-rpl.github.io/Lotus/.