ترجمه فارسی مقاله ترانسفورماتور بدن: تجسم ربات برای یادگیری سیاست

چکیده

In recent years, the transformer architecture has become the de facto standard for machine learning algorithms applied to natural language processing and computer vision. Despite notable evidence of successful deployment of this architecture in the context of robot learning, we claim that vanilla transformers do not fully exploit the structure of the robot learning problem. Therefore, we propose Body Transformer (BoT), an architecture that leverages the robot embodiment by providing an inductive bias that guides the learning process. We represent the robot body as a graph of sensors and actuators, and rely on masked attention to pool information throughout the architecture. The resulting architecture outperforms the vanilla transformer, as well as the classical multilayer perceptron, in terms of task completion, scaling properties, and computational efficiency when representing either imitation or reinforcement learning policies. Additional material including the open-source code is available at https://sferrazza.cc/bot_site.

چکیده به فارسی (ترجمه ماشینی)

در سالهای اخیر ، معماری ترانسفورماتور به الگوریتم های یادگیری ماشین تبدیل شده است که برای پردازش زبان طبیعی و بینایی رایانه اعمال می شود.علیرغم شواهد قابل توجه استقرار موفقیت آمیز این معماری در زمینه یادگیری ربات ، ما ادعا می کنیم که ترانسفورماتورهای وانیل به طور کامل از ساختار مشکل یادگیری ربات سوءاستفاده نمی کنند.بنابراین ، ما ترانسفورماتور بدن (BOT) را پیشنهاد می کنیم ، معماری که با ارائه یک تعصب القایی که روند یادگیری را راهنمایی می کند ، تجسم ربات را اعمال می کند.ما بدنه ربات را به عنوان نمودار سنسورها و محرک ها نشان می دهیم و به توجه ماسک شده به اطلاعات استخر در طول معماری متکی هستیم.معماری حاصل از ترانسفورماتور وانیل و همچنین Perceptron چند لایه کلاسیک ، از نظر تکمیل کار ، خصوصیات مقیاس گذاری و کارآیی محاسباتی هنگام نمایندگی سیاست های یادگیری تقلید یا تقویت ، بهتر است.مواد اضافی از جمله کد منبع باز در https://sferrazza.cc/bot_site در دسترس است.