机器人学习方法综述

doi:10.13209/j.0479-8023.2023.086

北京大学学报自然科学版 ›› 2023, Vol. 59 ›› Issue (6): 1069-1086.DOI: 10.13209/j.0479-8023.2023.086

机器人学习方法综述

曲威名^1,*, 刘天林^1,*, 林惟凯¹, 罗定生^1,2,†

1. 北京大学智能学院, 北京 100871 2. 北京大学武汉人工智能研究院, 武汉 430073

收稿日期:2022-11-28 修回日期:2023-04-25 出版日期:2023-11-20 发布日期:2023-11-20
通讯作者: 罗定生, E-mail: dsluo(at)pku.edu.cn
基金资助:
国家自然科学基金(62176004, U1713217)、东湖高新区国家智能社会治理实验综合基地项目、北京大学新工科专项、北京大学–辛巴科技项目和北京大学高性能计算平台资助

A Review of Robot Learning

QU Weiming^1,*, LIU Tianlin^1,*, LIN Weikai¹, LUO Dingsheng^1,2,†

1. School of Intelligence Science and Technology, Peking University, Beijing 100871 2. PKU-Wuhan Institute for Artificial Intelligence, Wuhan 430073

Received:2022-11-28 Revised:2023-04-25 Online:2023-11-20 Published:2023-11-20
Contact: LUO Dingsheng, E-mail: dsluo(at)pku.edu.cn

摘要/Abstract

摘要：

介绍与机器人学习有关的基本概念与核心问题, 梳理机器人学习的相关方法和最新进展。依据数据类型, 将机器人学习的方法分为基于强化学习的方法、基于模仿学习的方法、基于迁移学习的方法和基于发展学习的方法, 并对相关研究进行总结和分析, 探讨机器人学习领域目前存在的挑战和未来发展趋势。

关键词: 机器人学习, 强化学习, 模仿学习, 迁移学习, 发展学习

Abstract:

The basic concepts and core issues related to robot learning are introduced and discussed, and the relevant researches are summarized and analyzed. Through comparing the relevant methods and recent progress, the authors classify the methods of robot learning into four categories based on data types and learning methods, namely reinforcement learning approach, imitation learning approach, transfer learning approach and developmental learning approach. Finally, current challenges and future trends in robot learning are listed.

Key words: robot learning, reinforcement learning, imitation learning, transfer learning, developmental learning

曲威名, 刘天林, 林惟凯, 罗定生. 机器人学习方法综述[J]. 北京大学学报自然科学版, 2023, 59(6): 1069-1086.

QU Weiming, LIU Tianlin, LIN Weikai, LUO Dingsheng. A Review of Robot Learning[J]. Acta Scientiarum Naturalium Universitatis Pekinensis, 2023, 59(6): 1069-1086.

导出引用管理器 EndNote|Ris|BibTeX

链接本文: https://xbna.pku.edu.cn/CN/10.13209/j.0479-8023.2023.086

https://xbna.pku.edu.cn/CN/Y2023/V59/I6/1069

[1]	张领, 曹健, 张袁, 冯硕, 王源. 基于知识蒸馏的脉冲神经网络强化学习方法[J]. 北京大学学报自然科学版, 2023, 59(5): 757-763.
[2]	王雅松, 刘明童, 张玉洁, 徐金安, 陈钰枫. 复述平行语料构建及其应用方法研究[J]. 北京大学学报自然科学版, 2021, 57(1): 68-74.
[3]	贾云龙, 韩东红, 林海原, 王国仁, 夏利. 面向微博用户的消费意图识别算法[J]. 北京大学学报自然科学版, 2020, 56(1): 68-74.
[4]	付如彬, 李亮, 徐成, 谢广明. 基于强化学习的仿生机器鱼节能研究[J]. 北京大学学报自然科学版, 2019, 55(3): 405-410.
[5]	廖祥文, 吴晓静, 桂林, 黄锦辉, 陈国龙. 结合表示学习和迁移学习的跨领域情感分类[J]. 北京大学学报自然科学版, 2019, 55(1): 37-46.

机器人学习方法综述

A Review of Robot Learning

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 5

编辑推荐

Metrics

留言