Imitation Learning
태스크의 하위 분류와 논문·코드·평가·기법·데이터셋을 탐색하세요.
- 하위 태스크
- 1
- 평가표
- 0
- 보존된 평가 기록
- 0
Imitation Learning is a framework for learning a behavior policy from demonstrations. Usually, demonstrations are presented in the form of state-action trajectories, with each pair indicating the action to take at the state being visited. In order to learn the behavior policy, the demonstrated actions are usually utilized in two ways. The first, known as Behavior Cloning (BC), treats the action as the target label for each state, and then learns a generalized mapping from states to actions in a supervised manner. Another way, known as Inverse Reinforcement Learning (IRL), views the demonstrated actions as a sequence of decisions, and aims at finding a reward/cost function under which the demonstrated decisions are optimal.
Finally, a newer methodology, Inverse Q-Learning aims at directly learning Q-functions from expert data, implicitly representing rewards, under which the optimal policy can be given as a Boltzmann distribution similar to soft Q-learning
Source: Learning to Imitate
논문
이 태스크와 하위 분야의 관련 논문입니다. 실제 성능 비교는 평가 결과에서 확인하세요.
VeriDrive: 비용 효율적인 비전-언어 계획을 위한 검증 가능한 반사실적 감독
DriveReferee: 주행 월드-액션 모델에서 기하학적 안전 판정은 굳이 학습될 필요가 없다
SmoLSTM: 지속되는 순환 메모리를 갖춘 소형 비전-언어-행동 모델
행동을 위한 올바른 미래: 세계 행동 모델에서 행동 관련 예측 상태 학습
대수적 일관성만으로는 잠재 행동 모델의 시간적 구조를 보증할 수 없다
MaskVLA: Vision-Language-Action 모델의 궤적 과적합에 대응하는 시각적 마스킹
StenoVLA-3D: 위장관 협착 통과를 위한 3D 인식 추론 VLA
월드 모델처럼 생각하고 VLA처럼 행동하기: 월드 모델 표현을 소형 로봇 정책으로 증류하기
EvoCUA-1.5: 멀티턴 컴퓨터 사용 에이전트를 위한 온라인 강화학습
시각 내비게이션을 위한 표현 사전으로서의 순서형 신경 붕괴
GEM-4D: 로봇 조작을 위한 기하학 강화 비디오 월드 모델
VLAFlow: 공동 학습 및 미래 잠재 정렬을 통한 비전-언어-행동 모델의 통합 학습 프레임워크
Cortex: 동결된 시각 특징을 이용한 Quake용 컴팩트 행동 클로닝
Dynamic Execution Commitment of Vision-Language-Action Models
EA-Nav: 체화 인식 기반 안전한 시각 내비게이션 정책 학습
접두 재생을 이용한 다중 턴 온-정책 지식 증류
적대적 역강화학습을 통한 레이블 없는 산업 고장 탐지: 고장까지 운전 예후 진단 시스템
RP-OPSD: 멀티모달 대규모 언어 모델을 위한 해상도 특권 온-정책 자기 증류
학습과 탐색을 통한 조합 최적화에서 인간형 해법 이해
시각적 상태 전이를 통한 GUI 에이전트 스케일링
시각-운동 정책 학습을 위한 순서화된 액션 토큰
LeAct: 전문가 행동으로부터 추론 학습
한 손이 다른 손을 주시한다: 동적 환경에서 샘플 효율적 양손 조작을 위한 동적 다중 에이전트 협력
부분 관측성 하에서 효율적인 경로 계획을 위한 시공간 의사결정 사전 학습
투사된 시각적 추상화를 통한 로봇의 의사소통 학습
학생 중심 지식 증류가 소형·대규모 LLM 간 에이전트 격차를 좁힌다
전문가 혼합(MoE) VLA의 창발적 조합 능력
Robostral Navigate
전문가 행동 사전 강화학습
Learning to Navigate Efficiently with Only 0.58M Trainable Parameters
절차적 재질 생성에서 제작 과정 전문성 반영
행동 전 예측: 미래 상태 조건 비전-언어 내비게이션
EgoRecovery: 인간 복구 시연을 통한 실패 복구 능력 습득
전략적 확장: 바이어스 인식 평가 및 데이터 수집을 통한 로봇 조작의 조합적 일반화 학습
Fara-1.5: 컴퓨터 사용 에이전트를 위한 확장 가능한 학습 환경
출처: Papers with Code · CC BY-SA 4.0. 아카이브 자료와 새로 수집한 논문은 별도로 관리합니다.