Few-Shot Learning and Rapid Adaptation for Robots

本文研究了少样本学习与快速适应在机器人中的应用。少样本学习使机器人能够从极少的演示或交互样本中学习新技能，快速适应则要求策略在新环境中仅需少量步骤即可达到良好性能。文章比较了不同少样本学习方法（元学习、迁移学习、数据增强、预训练微调）和快速适应策略（在线适应、测试时适应、上下文学习）在机器人控制中的表现，分析了方法的样本效率和适应速度。来源机构包括MIT、DeepMind、CMU等研究机构。