机器人策略学习的Game Changer？伯克利提出Body Transformer

AIGC动态欢迎阅读

原标题：机器人策略学习的Game Changer？伯克利提出Body Transformer
关键字：架构,节点,机体,机器人,注意力
文章来源：机器之心
内容字数：0字

内容摘要：

机器之心报道
编辑：Panda过去几年间，Transformer 架构已经取得了巨大的成功，同时其也衍生出了大量变体，比如擅长处理视觉任务的 Vision Transformer（ViT）。本文要介绍的 Body Transformer（BoT） 则是非常适合机器人策略学习的 Transformer 变体。
我们知道，物理智能体在执行动作的校正和稳定时，往往会根据其感受到的外部刺激的位置给出空间上的响应。比如人类对这些刺激的响应回路位于脊髓神经回路层面，它们专门负责单个执行器的响应。起校正作用的局部执行是高效运动的主要因素，这对机器人来说也尤为重要。
但之前的学习架构通常都没有建立传感器和执行器之间的空间关联。鉴于机器人策略使用的架构基本是为自然语言和计算机视觉开发的架构，它们常常无法有效地利用机器人机体的结构。
不过，Transformer 在这方面还是颇具潜力的，已有研究表明，Transformer 可以有效地处理长序列依赖关系，还能轻松地吸收大量数据。Transformer 架构原本是为非结构化自然语言处理（NLP）任务开发的。在这些任务中（比如语言翻译），输入序列通常会被映射到

原文链接：机器人策略学习的Game Changer？伯克利提出Body Transformer

联系作者

文章来源：机器之心
作者微信：
作者简介：