Conocimiento Bóveda 6 /93 - ICML 2024
Lo que los robots me han enseñado sobre el aprendizaje automático
Chelsea Finn
< Imagen del Resumen >

Gráfico de Conceptos & Resumen usando Claude 3.5 Sonnet | Chat GPT4o | Llama 3:

Lo que los robots me han
enseñado sobre el
aprendizaje automático
Robótica Central
Gestión de Datos
Enfoques de Aprendizaje
Métodos de Adaptación
Las redes neuronales entrenan robots
de extremo a extremo 1
El aprendizaje automático resuelve tareas complejas de robots 4
Los transformadores controlan sistemas robóticos 6
Los robots manejan tareas de cocina
en el hogar 7
El aprendizaje automático guía operaciones de robots quirúrgicos 8
Los humanoides aprenden a través de métodos de sombra 9
La robótica enfrenta desafíos de limitación de datos 3
La disponibilidad de datos impacta habilidades de máquinas 10
Los datos de internet enseñan habilidades a robots 20
La robótica requiere modelos de datos más grandes 30
La teleoperación recopila datos de demostración de robots 5
Los robots aprenden de pocas
experiencias 2
La supervisión natural reemplaza
la recolección tradicional 11
Modelos de visión-lenguaje dirigen robots 21
Modelos preentrenados apoyan tareas 22
El contexto mejora el aprendizaje de robots 24
Los patrones visuales identifican fallos 16
Los métodos de retroalimentación escalan conjuntos de datos 19
Adaptación a situaciones inesperadas 23
Los entornos reales necesitan estrategias 25
Los modelos de visión-lenguaje mejoran
la generalización 26
La supervisión natural da forma
al aprendizaje futuro 27
El preentrenamiento se adapta a usos específicos 28
Los benchmarks evalúan mal
la adaptación 29

Resumen:

1.- Entrenamiento de redes neuronales de extremo a extremo para tareas robóticas

2.- Aprendizaje de pocos disparos y meta-aprendizaje a partir de experiencias de robots

3.- Desafíos de escasez de datos en robótica frente a otros campos de ML

4.- Papel del aprendizaje automático en la resolución de tareas robóticas complejas

5.- Interfaces de teleoperación para recopilar datos de demostración de robots

6.- Arquitecturas basadas en transformadores para el control robótico

7.- Manipulación móvil para tareas del hogar y cocina

8.- Control de robots quirúrgicos mediante aprendizaje automático

9.- Entrenamiento de robots humanoides utilizando teleoperación basada en sombra

10.- Abundancia de datos frente a escasez que afecta capacidades de máquinas

11.- Supervisión natural como alternativa a la recolección tradicional de datos

12.- Correcciones de lenguaje para mejorar el rendimiento de robots

13.- Actualizaciones de políticas de alto nivel mediante retroalimentación verbal

14.- Corrección en tiempo real de errores de robots durante tareas

15.- Eficiencia de supervisión de lenguaje frente a datos de demostración

16.- Identificación de fallos del modelo mediante reconocimiento de patrones visuales

17.- Retroalimentación de no expertos para mejorar la robustez del modelo

18.- Reponderación de datos basada en descripciones verbales

19.- Escalado de enfoques de retroalimentación a grandes conjuntos de datos

20.- Aprovechamiento de datos de internet para el aprendizaje robótico

21.- Modelos de visión-lenguaje para el control robótico

22.- Conexión de modelos preentrenados con tareas posteriores

23.- Adaptación en tiempo de prueba para escenarios no vistos

24.- Aprendizaje en contexto para mejorar el rendimiento de robots

25.- Estrategias de adaptación a entornos del mundo real

26.- Modelos de acción de visión-lenguaje mejorando la generalización

27.- Papel de la supervisión natural en sistemas de aprendizaje futuros

28.- Modificaciones de preentrenamiento para compatibilidad con tareas posteriores

29.- Limitaciones de benchmarks en la evaluación de algoritmos adaptativos

30.- Escalado de datos y modelos en robótica

Bóveda del Conocimiento construida porDavid Vivancos 2024