Robograds学生研讨会-将机器人表示与人类对齐

将机器人表示与人类对齐

 

摘要:部署在现实世界中的机器人将与许多不同的人类互动,在他们的一生中执行许多不同的任务,这使得设计者很难(甚至不可能)提前指定所有可能重要的方面。相反,当机器人学会从用户的输入中执行新任务时,它们可以隐式地提取这些方面。挑战在于,这通常会导致在数据中出现虚假关联的表示,而无法捕捉到人类对任务重要的表示,从而导致行为无法推广到新的场景中。因此,人类希望机器人执行的任务的表示或抽象可能与机器人所知道的不一致。在我的工作中,我探索了机器人如何将他们的表现与他们互动的人类的表现相一致,以便他们能够更有效地从他们的输入中学习。

在这篇演讲中,我将重点放在机器人学习问题的分而治之的方法上:在使用机器人学习下游任务之前,明确地把人类的输入集中在教机器人良好的表达上。我们通过研究机器人如何对其当前表示中的不确定性进行推理,显式地向人类查询特定于特征的反馈以改进它,然后使用特定于任务的输入来学习新表示之上的行为。

生物:AndreeaBobu是加州大学伯克利分校电子工程和计算机科学系的博士生,由Anca Dragan教授担任顾问。她的研究重点是调整机器人和人类的表现,以便它们之间实现更无缝的交互。特别是,Andreea研究了机器人如何通过明确地专注于学习良好的中间人引导的表示,然后再将其用于任务学习,从而更有效地从人类反馈中学习。在获得博士学位之前,她于2017年获得麻省理工学院计算机科学与工程学士学位

探索校园活动

乔治亚理工学院
十一月
17
乔治亚理工学院
十一月
23