COG：利用过去的经验学习多功能机器人的框架!

3个要点
✔️提出一个COG，使用Prior数据和Task数据来学习一个更通用的政策。
✔️提出一种简单有效的方法，使用Offline RL。
✔️ 与其他方法相比，实现了更高的任务成功率。

COG: Connecting New Skills to Past Experience with Offline Reinforcement Learning
written by Avi Singh, Albert Yu, Jonathan Yang, Jesse Zhang, Aviral Kumar, Sergey Levine
(Submitted on 27 Oct 2020)
Comments: Accepted to CoRL2020, Source code and videos available at this https URL
Subjects: Machine Learning (cs.LG); Robotics (cs.RO)
   

首先

在这篇文章中，我们介绍了一篇题为"COG：用离线强化学习将新技能与过去的经验联系起来"的论文。"RL（强化学习）的问题是它缺乏通用性。例如，如果一个机器人学会了从抽屉中检索物体的任务，而抽屉是打开的，如果测试时抽屉是关闭的，它将无法解决任务。如果我们能够学习各种情况下的政策，我们也许能够解决这些问题，但这将增加学习成本。在本文中，我们主要讨论的是，如果有过去收集到的交互数据，即使测试时抽屉是关闭的，机器人是否可以打开抽屉并取出物品。这是本文的重点。在这篇文章中，我将展示离线RL如何将大量的过去数据与特定任务数据结合起来，以学习更通用的策略，这种方法叫做通过Offlien RL进行通用化的连接技能（COG）。本演讲将介绍

山田