Préserver et combiner les connaissances dans l'apprentissage par renforcement robotique tout au long de la vie

Résumé Les humains peuvent accumuler continuellement des connaissances et développer des comportements et compétences de plus en plus complexes tout au long de leur vie, une capacité connue sous le nom d’« apprentissage tout au long de la vie ». Bien que cette capacité soit considérée comme un mécanisme essentiel constituant l’intelligence généralisée, les avancées récentes en intelligence artificielle excellent principalement dans des domaines étroits et spécialisés et manquent généralement de cette capacité d’apprentissage continu. Notre étude introduit un cadre d’apprentissage par renforcement robotique tout au long de la vie qui comble cette lacune en développant un espace de connaissances inspiré par le domaine bayésien non paramétrique. De plus, nous améliorons la compréhension sémantique des tâches par l’agent en intégrant des embeddings linguistiques dans le cadre. Notre agent incarné proposé peut accumuler de manière constante des connaissances à partir d’un flux continu de tâches fournies une seule fois. En outre, notre agent peut relever des tâches réelles complexes à horizon long en combinant et en réappliquant ses connaissances acquises à partir du flux initial de tâches. Nos résultats démontrent que les agents incarnés intelligents peuvent manifester une capacité d’apprentissage tout au long de la vie similaire à celle des humains. Le cadre proposé fait progresser notre compréhension du processus d’apprentissage robotique continu et peut inspirer le développement d’une intelligence plus largement applicable.