【CMU博士论文】因果机器人操作学习，277页pdf

文章预览

进入人工智能的第三个时代已有二十年，深度学习的兴起带来了两种看似截然不同的现实。在其中一种现实中，深度强化学习、蛋白质折叠和大语言模型等领域取得了巨大成就。然而，在另一种现实中，深度学习赋予机器人在现实环境中可靠操作的承诺仍未兑现。物体的多样性、分布转变和长尾现象：在实验室之外，现实环境对现代统计学习的数据假设提出了挑战。 尽管此类环境通常被称为“非结构化”，但这种术语掩盖了它们的本质。现实环境并非“非结构化”，而是由于结构的存在而产生：生成观察数据的潜在因果过程。从这个角度看，机器人不仅应依据数据进行推理和学习，还应理解数据生成过程。这些过程可以通过因果关系的语言形式化。因此，为了学习和利用这些“开放世界”环境的结构，需要新的基于因果关系的机器人学习算法。 ………………………………