Active Learning for Robotics: A Review

该论文是机器人主动学习领域的综合性综述，系统梳理了机器人通过主动选择最有价值的样本进行标注和学习的各类方法。主动学习的核心思想是：在标注成本高昂的机器人应用场景中，让学习算法主动选择最不确定、最有代表性或最能减少模型误差的样本进行人工标注，从而用更少的标注数据达到更好的学习效果。论文将主动学习方法分为三大类：1）基于不确定性的方法（Uncertainty Sampling），包括最不确定、最不自信、基于委员会的查询等；2）基于多样性的方法（Diversity-based），包括聚类采样、核心集选择等；3）基于期望模型变化的方法（Expected Model Change），包括期望误差减少、期望梯度长度等。论文详细讨论了主动学习在机器人感知（目标检测、语义分割）、机器人控制（策略学习、逆强化学习）、机器人操作（抓取规划、技能学习）等领域的应用，以及主动学习与强化学习、迁移学习、元学习的结合。该综述引用超过600次，是机器人主动学习领域的重要参考资料。