Apprentissage par renforcement efficace en données avec intervention humaine pour la manipulation robotique performante

L'apprentissage par renforcement avec intervention humaine (HiL-RL) pour les modèles fondamentaux robotiques est fondamentalement contraint par des interactions physiques coûteuses et risquées. Cela rend l'efficacité des échantillons, l'amélioration stable des politiques et la réduction de l'effort humain essentielles pour un déploiement pratique. Cependant, les approches existantes souffrent souvent d'un échantillonnage de données redondantes, d'une attribution de crédit biaisée à travers des trajectoires de qualité mixte, et d'une exploration intensive en interventions. Dans ce partage, nous explorons une direction de recherche unifiée pour améliorer HiL-RL grâce à une planification d'échantillons informative, une optimisation de politique consciente du crédit, et une intervention agentique. Le travail couvre : Ensemble, ces approches visent à aider les systèmes HiL-RL à apprendre plus rapidement, à nécessiter moins d'efforts humains, à généraliser à travers une gamme plus large d'états de manipulation, et à fonctionner de manière plus fiable dans des environnements physiques complexes. (Niveau technique : 200) Plus sur le conférencier Ziwei Wang est actuellement professeur assistant à l'École de génie électrique et électronique de l'Université technologique de Nanyang. Avant de rejoindre NTU, il était chercheur postdoctoral à l'Institut de robotique de l'Université Carnegie Mellon. Il a obtenu son doctorat et son diplôme de B.S. du Département d'automatisation de l'Université Tsinghua en 2023 et du Département de physique de l'Université Tsinghua en 2018 respectivement. Ses recherches se concentrent principalement sur les modèles fondamentaux robotiques pour une manipulation précise et ont été déployées dans des scénarios de fabrication, y compris l'assemblage électronique et l'inspection de moteurs. Il a publié plus de 60 articles scientifiques dans des conférences et revues de premier plan en robotique et AI. Il fait partie du comité éditorial et des présidents de conférences et a co-organisé de nombreux ateliers, tutoriels et défis dans des revues et conférences de premier plan. Il est membre du comité du chapitre IEEE RAS de Singapour. Plus sur la série Le colloque sur l'IA incarnée de Singapour (SEAIC) est une série de recherche technique axée sur des discussions et des partages guidés par des chercheurs sur des sujets de pointe en IA incarnée, apprentissage robotique, et IA physique. Impliquez-vous : En savoir plus sur Lorong AI | Inscription du conférencier | Communauté WhatsApp | LinkedIn | X