Multi-Task Transfer and Generalization in Robot Reinforcement Learning

本文研究了机器人多任务强化学习中的任务迁移与泛化问题。文章分析了多任务训练后策略在未见任务上的零样本和少样本泛化能力，提出了一种基于任务嵌入空间插值的迁移方法，能够通过已有任务的嵌入组合生成新任务的策略。实验在仿真和真实机器人上验证了该方法在操作、导航等任务上的迁移效果，并讨论了任务相似度、训练任务分布对泛化性能的影响。来源机构包括UC Berkeley、Google Research、Oxford等。