【RL Application】语义分割中的强化学习方法

不去幼儿园

优质创作者: 算法与数据结构技术领域

领域专家: 人工智能技术领域

2024-12-02 14:50:12

📢uu新的一周好，本周新文来了：（New）

🔥【RL Application】语义分割中的强化学习方法

https://rainbook.blog.csdn.net/article/details/144119061

🔥交流学习/问题答疑欢迎前往博客主页左侧/文章末尾处添加微信

添加一下，不就互联网人脉+1，绿泡泡Rainbook_2

也欢迎大家加入社区交流：（已加勿管）

https://bbs.csdn.net/forums/RL

✨ 【Sentence】纵有疾风起，人生不言弃

...全文

222 回复打赏收藏转发到动态举报

写回复

回复

切换为时间正序

请发表友善的回复…

发表回复

一个智能体（Agent）在环境（Environment）中，通过选择动作（Action）影响环境状态（State）并获得奖励（Reward），以学习出一个策略（Policy）从而在未来获得最大的累积回报（Return）。与监督学习不同，强化学习并不依赖大量 “输入–标签” 形式的数据；与无监督学习不同，它不仅仅寻找数据结构，而是强调行为决策与反馈机制。为更好理解，可从以下几点补充说明：环境中的状态转移往往满足马尔可夫性质（即下一状态仅依赖当前状态与动作，而与历史状态无关）。

目标错位、奖励稀疏和困难的信用分配只是使深度强化学习（RL）代理难以学习最优策略的许多问题中的几个。不幸的是，深度神经网络的黑箱性质阻碍了包括领域专家来检查模型和修改次优策略。为此，我们引入了连续概念瓶颈代理（SCoBots），它集成了连续概念瓶颈（CB）层。与当前的CB模型相比，SCoBots不仅将概念表示为单个对象的属性，还表示为对象之间的关系，这对于许多RL任务至关重要。我们的实验结果为SCoBots的竞争表现提供了证据，也为领域专家理解和规范其行为提供了证据。

强化学习（RL）的目标是找到一个最大化预期累积回报的策略。已经表明，这个目标可以表示为线性约束下状态——行动访问分配的优化问题。这个公式的对偶问题，我们称之为对偶RL，是无约束的，更容易优化。在这项工作中，我们首先将几个最先进的离线RL和离线模仿学习（IL）算法作为具有共享结构的双重RL方法的实例。这种统一使我们能够确定现有方法缺点的根本原因。对于离线IL，我们的分析表明，现有的方法是基于限制性覆盖假设，这极大地限制了它们在实践中的性能。

近年来，自主代理在现实世界环境中激增，如我们的家庭、办公室和公共场所。然而，自然的人机交互仍然是一个关键的挑战。在本文中，我们介绍了一种协同利用大型语言模型（LLMs）和多模态视觉语言模型（VLMs）的能力的方法，使人类能够通过对话与自主机器人进行自然交互。我们利用LLMs解码来自人类的高级自然语言指令，并将其抽象为精确的机器人可操作命令或查询。此外，我们利用VLMs来提供对机器人任务环境的视觉和语义理解。

Abstract: 摘要： With the development of deep representation learning, the domain of reinforcement learning (RL) has become a powerful learning framework now capable of learning complex policies in high dimensional environments. This review summarises deep re

强化学习交流

80

社区成员

83

社区内容

发帖

与我相关

我的任务

人工智能无人机算法其他湖南省·长沙市

社区管理员

加入社区

近7日
近30日
至今

加载中

查看更多榜单

社区公告

暂无公告

试试用AI创作助手写篇文章吧

+ 用AI写文章