ترجمه فارسی مقاله مدل‌های مولد عمیق در رباتیک: بررسی یادگیری از نمایش‌های چندوجهی

چکیده

Learning from Demonstrations, the field that proposes to learn robot behavior models from data, is gaining popularity with the emergence of deep generative models. Although the problem has been studied for years under names such as Imitation Learning, Behavioral Cloning, or Inverse Reinforcement Learning, classical methods have relied on models that don’t capture complex data distributions well or don’t scale well to large numbers of demonstrations. In recent years, the robot learning community has shown increasing interest in using deep generative models to capture the complexity of large datasets. In this survey, we aim to provide a unified and comprehensive review of the last year’s progress in the use of deep generative models in robotics. We present the different types of models that the community has explored, such as energy-based models, diffusion models, action value maps, or generative adversarial networks. We also present the different types of applications in which deep generative models have been used, from grasp generation to trajectory generation or cost learning. One of the most important elements of generative models is the generalization out of distributions. In our survey, we review the different decisions the community has made to improve the generalization of the learned models. Finally, we highlight the research challenges and propose a number of future directions for learning deep generative models in robotics.

چکیده به فارسی (ترجمه ماشینی)

یادگیری از تظاهرات ، زمینه ای که پیشنهاد می کند مدل های رفتار ربات از داده ها را بیاموزد ، با ظهور مدلهای عمیق تولیدی محبوبیت پیدا می کند.اگرچه این مشکل سالها تحت نام هایی مانند یادگیری تقلید ، کلونینگ رفتاری یا یادگیری تقویت معکوس مورد بررسی قرار گرفته است ، اما روشهای کلاسیک به مدلهایی تکیه کرده اند که توزیع داده های پیچیده را به خوبی ضبط نمی کنند یا به تعداد زیادی از تظاهرات مقیاس نمی دهند.در سالهای اخیر ، جامعه یادگیری ربات علاقه زیادی به استفاده از مدلهای تولیدی عمیق برای گرفتن پیچیدگی مجموعه داده های بزرگ نشان داده است.در این نظرسنجی ، هدف ما ارائه یک بررسی یکپارچه و جامع از پیشرفت سال گذشته در استفاده از مدلهای عمیق تولیدی در روباتیک است.ما انواع مختلفی از مدلهایی را که جامعه کاوش کرده است ارائه می دهیم ، مانند مدل های مبتنی بر انرژی ، مدل های انتشار ، نقشه های ارزش عمل یا شبکه های مخالف مولد.ما همچنین انواع مختلفی از برنامه های کاربردی را که در آن از مدل های عمیق تولید شده استفاده می شود ، از تولید GRASP گرفته تا تولید مسیر یا یادگیری هزینه ارائه می دهیم.یکی از مهمترین عناصر مدلهای تولیدی ، تعمیم خارج از توزیع است.در نظرسنجی ما ، تصمیمات مختلفی را که جامعه برای بهبود تعمیم مدلهای آموخته شده است ، مرور می کنیم.سرانجام ، ما چالش های تحقیق را برجسته می کنیم و تعدادی از مسیرهای آینده را برای یادگیری مدل های تولیدی عمیق در روباتیک پیشنهاد می کنیم.