Task Embedding and Conditioning for Multi-Task Robot Learning

本文深入研究了多任务机器人学习中的任务嵌入与条件化机制。文章比较了不同的任务表示方式（one-hot、语言描述、演示轨迹、目标图像）和条件化方法（FiLM、交叉注意力、任务嵌入拼接），分析了各方法在样本效率、泛化能力、可扩展性方面的优劣。文章还提出了一种基于对比学习的任务嵌入方法，能够学习语义上有意义的任务表示空间。适用场景包括多任务操作、多目标导航等领域。来源机构包括MIT、CMU、DeepMind等研究机构。