机器人 / 具身智能

Scalable and Efficient Continual Learning from Demonstration via a Hypernetwork-generated Stable Dynamics Model

通过超网络生成的稳定动力学模型实现可扩展且高效的示范学习

Sayantan Auddy, Jakob Hollenstein, Matteo Saveriano, Antonio Rodríguez-Sánchez, Justus Piater

机构 * Faculty of Electrical Engineering and Computer Science, Technical University of Berlin（电气工程与计算机科学系，柏林技术大学） ； Department of Computer Science, University of Innsbruck（计算机科学系，因斯布鲁克大学） ； Digital Science Center (DiSC), University of Innsbruck（数字科学中心（DiSC），因斯布鲁克大学） ； Department of Industrial Engineering, University of Trento（工业工程系，特伦托大学） ； Singular Research Center on Intelligent Systems (CiTIUS), University of Santiago de Compostela（智能系统研究中心（CiTIUS），圣地亚哥-德孔波斯特拉大学） 纠错

专题命中 机器人学习 ：robotic(abstract)；分类 cs.RO

AI总结 本文提出一种稳定的持续学习方法，利用超网络生成轨迹学习动力学模型和Lyapunov函数，提升稳定性与准确性，通过任务嵌入减少训练时间，实验证明其在多任务学习中优于现有方法。

Comments To appear in IEEE Transactions on Cognitive and Developmental Systems

Emergence of Physical Intelligence via Controllable Information Production

通过可控信息生成实现物理智能的涌现

Tristan Shah, Stas Tiomkin

机构 * Department of Computer Science（计算机科学系） ； Texas Tech University（德克萨斯技术大学） 纠错

专题命中 机器人学习 ：robot learning(abstract)；分类 cs.AI

AI总结 本文提出可控信息生成框架，将内在动机与最优控制统一，揭示价值函数结构与柯莫哥罗夫-辛恩熵的联系，展现物理智能源于可控混沌边缘的驱动。