Explainable Robot Learning

新的SIR方法增强了机器人学习的可解释性和偏见检测能力

研究人员开发了一种名为结构化图像表示（SIR）的新方法，以提高机器人学习策略的可解释性。SIR利用场景图（SGs）作为中间表示，从图像派生的特征构建图，然后学习将其稀疏化为与任务相关的子图。这种方法使机器人的决策过程更加透明，并允许分析学习到的行为，揭示数据集的偏见。在RoboCasa数据集上的评估表明，与传统的基于图像的基线相比，SIR策略取得了更高的成功率。