現(xiàn)在的各種學(xué)術(shù)會議多如牛毛，一個大會質(zhì)量高不高，除了看大會后的組織者是誰之外，另一個重要因素的是看這個學(xué)術(shù)會議上出過哪些重要的論文。如伯克利 BAIR Blog 編委會成員、在讀博士許華哲就和雷鋒網(wǎng)記者開過玩笑，如果要組織一個新的會議，會議組織者不僅需要邀請重量級的演講嘉賓，另一個任務(wù)是盯著自己的學(xué)生做出一兩篇有影響力的論文來，這樣就可以讓大家知道這個會不是水會，第二年參加的人就多了。這固然是個玩笑，但對第一屆舉辦的學(xué)術(shù)會議來說，論文質(zhì)量一定是非常重要的。

近日在山景城召開的第一屆CoLR大會上，雷鋒網(wǎng)也重點(diǎn)了解了這屆大會論文投遞的情況。

從大會官方統(tǒng)計(jì)數(shù)據(jù)看，本次大會總共收到212篇論文，數(shù)量最大的三個論文類別分別為增強(qiáng)學(xué)習(xí)、模型學(xué)習(xí)和機(jī)器人視覺；

在現(xiàn)場Oral presentation環(huán)節(jié)，長論文的講解時間為20分鐘，短論文講解時間為6分鐘。

以下是雷鋒網(wǎng)在現(xiàn)場發(fā)現(xiàn)的若干有意思的論文：

1. 《One-Shot Visual Imitation Learning via Meta-Learning》

作者：Chelsea Finn , Tianhe Yu , Tianhao Zhang, Pieter Abbeel, Sergey Levine

摘要：為了讓機(jī)器人成為可以廣泛地執(zhí)行通用工作，其必須能在復(fù)雜的非結(jié)構(gòu)化環(huán)境中快速有效地獲取各種各樣的技能。 像深度神經(jīng)網(wǎng)絡(luò)這樣的高容量模型可以使機(jī)器人展示出復(fù)雜的技能，但是從頭開始學(xué)習(xí)每個技能就變得不可行。 在本論文中，我們提出了一種元模擬學(xué)習(xí)方法，使機(jī)器人學(xué)習(xí)如何更有效地學(xué)習(xí)，從而使其能夠從單個演示中獲得新的技能。 與先前的單次模擬方法不同，我們的方法可以擴(kuò)展到原始像素輸入，所需要前期任務(wù)數(shù)量也大大減少，從而更有效地學(xué)習(xí)新技能。 我們在模擬機(jī)器人和真實(shí)機(jī)器人平臺上進(jìn)行的實(shí)驗(yàn)均證明了從單個視覺演示中學(xué)習(xí)端到端的新任務(wù)的能力。

點(diǎn)評：這篇論文是雷鋒網(wǎng)很早就發(fā)現(xiàn)的一篇論文，詳見《BAIR論文：通過“元學(xué)習(xí)”和“一次性學(xué)習(xí)”算法，讓機(jī)器人快速掌握新技能》

2. 《image2mass: Estimating the Mass of an Object from Its Image》

作者：Trevor Standley, Ozan Sener, Dawn Chen, Silvio Savarese

摘要：機(jī)器人操縱真實(shí)世界中的物體需要理解這些對象的物理屬性。 我們提出了一個從物體的圖像中估計(jì)物體質(zhì)量的模型， 我們收集了包含圖像，大小和重量等信息的大型數(shù)據(jù)集，并比較了在這個數(shù)據(jù)集上訓(xùn)練的圖像的質(zhì)量的幾個基準(zhǔn)模型。同時，我們對比了也在這個問題上人的表現(xiàn)。 最后，我們提出了一個考慮到對象的3D形狀的模型， 這個模型比上述基準(zhǔn)和與人類的表現(xiàn)相比都要更好。

點(diǎn)評：斯坦福Copmutational Vision & Geometry Lab的Silvio Savarese教授團(tuán)隊(duì)的一篇文章，看一張圖片，預(yù)測物體的重量，這個應(yīng)用很酷。據(jù)第一作者Trevor Standley介紹，他們使用Amazon的API接口獲取大量商品信息作為數(shù)據(jù)集，除了估計(jì)體積和密度的兩個模塊，還有一個專門估計(jì)物體3D形狀的神經(jīng)網(wǎng)絡(luò)模塊，從而進(jìn)一步保證物體估計(jì)的準(zhǔn)確度。

3.《Neural Task Programming: Learning to Generalize Across Hierarchical Tasks》

作者：Danfei Xu, Suraj Nair, Yuke Zhu, Julian Gao, Animesh Garg, Li Fei-Fei, Silvio Savarese

摘要： 在本論文中，我們提出了一種名為神經(jīng)任務(wù)編程（NTP）的新型機(jī)器人學(xué)習(xí)框架，該方法可以通過較少的示范和神經(jīng)程序引導(dǎo)進(jìn)行學(xué)習(xí)。NTP可將輸入的規(guī)范性任務(wù)（例如任務(wù)的視頻演示）遞歸地將其分解成更精細(xì)的子任務(wù)規(guī)范， 這些規(guī)范被傳遞到分級神經(jīng)程序，通過可調(diào)用的底層子程序是與環(huán)境進(jìn)行交互。同時，我們在三個機(jī)器人操縱任務(wù)中驗(yàn)證了我們的方法，在試驗(yàn)中，NTP展示了在顯示分層結(jié)構(gòu)和組合結(jié)構(gòu)的順序任務(wù)的強(qiáng)泛化能力化。 實(shí)驗(yàn)結(jié)果表明，NTP在學(xué)習(xí)長度不定、可變拓?fù)浜筒粩嘧兓奈粗蝿?wù)的學(xué)習(xí)和拓展有較好的效果。

點(diǎn)評：雖然李飛飛團(tuán)隊(duì)之前的研究更多是在計(jì)算機(jī)視覺領(lǐng)域，但正是如此，才有可能從機(jī)器人領(lǐng)域研究者習(xí)慣的視角外去思考問題，這篇論文提出的新思路也值得機(jī)器人研究者注意。

4.《Intention-Net: Integrating Planning and Deep Learning for Goal-Directed Autonomous Navigation》

作者：Wei Gao, Wee Sun Lee, Shengmei Shen,Karthikk Subramanian

摘要：如何將送貨機(jī)器人可靠地導(dǎo)航到新辦公大樓中的目的地，并提供最少的先驗(yàn)信息？ 為了應(yīng)對這一挑戰(zhàn)，本文介紹了一種兩層次的分級方法，它集成了無需模型的深度學(xué)習(xí)和基于模型的路徑規(guī)劃。 在低層次上，一個叫做意圖網(wǎng)絡(luò)的神經(jīng)網(wǎng)絡(luò)運(yùn)動控制器被端對端地訓(xùn)練用于提供魯棒的本地導(dǎo)航。 意圖網(wǎng)絡(luò)將來自單個單目照相機(jī)的圖像和“意圖”直接映射到機(jī)器人控制器。 在高層，路徑規(guī)劃者使用粗略地圖（例如二維平面圖）來計(jì)算從機(jī)器人當(dāng)前位置到目標(biāo)的路徑， 計(jì)劃的路徑向意圖網(wǎng)絡(luò)提供意圖。 初步的實(shí)驗(yàn)表明，學(xué)習(xí)的運(yùn)動控制器是強(qiáng)大的，不受感知的不確定性的影響，并通過與路徑規(guī)劃器的整合，有效地推廣到新的環(huán)境和目標(biāo)。

點(diǎn)評：未來的無人駕駛車輛能否像人類一樣，憑借Google Maps就能自動駕駛？這顯然是一個讓無人駕駛更接近“人”的研究。

5. 《Emergent Behaviors in Mixed-Autonomy Traffic》

作者：Cathy Wu，Aboudy Kreidieh, Eugene Vinitsky,  Alexandre M. Bayen

摘要：交通動態(tài)往往是一個復(fù)雜的動力系統(tǒng)建模，傳統(tǒng)的分析工具可能難以提供由交通運(yùn)輸機(jī)構(gòu)和規(guī)劃者使用的易處理的策略。如果將自動車輛引入交通系統(tǒng)，需要了解自動化對交通網(wǎng)絡(luò)的影響。本文闡述并采用增強(qiáng)學(xué)習(xí)（RL）的強(qiáng)大框架來處理混合交通控制問題（存在自動駕駛車輛和人類司機(jī)）中由此產(chǎn)生的政策和緊急行為，提供了通過混合車隊(duì)的自動化和人類司機(jī)車輛實(shí)現(xiàn)交通自動化的潛力。無模式學(xué)習(xí)方法被證明自然選擇之前由模型驅(qū)動的方法設(shè)計(jì)的政策和行為，例如穩(wěn)定和排隊(duì)，可以有效提高環(huán)路效率甚至超過理論速度極限。值得注意的是，RL通過有效地利用人類駕駛行為的結(jié)構(gòu)來成功地使速度最大化，以形成交叉口網(wǎng)絡(luò)的有效車輛間距。我們在穩(wěn)定性分析和混合自治分析的現(xiàn)有控制理論結(jié)果的背景下描述我們的結(jié)果。

點(diǎn)評：如果自動駕駛車輛達(dá)到5%，對我們的交通會產(chǎn)生什么影響？這一論文的試驗(yàn)中展示了在一個21輛人類司機(jī)和1輛無人駕駛車在環(huán)形路段的模擬情況，整個運(yùn)行效率可提高60%。現(xiàn)實(shí)交通狀況可能更為復(fù)雜，但如果無人車的加入可以更好地解決擁堵問題，毫無疑問對無人車是個大利好消息。

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。