0

我正在尝试使用 RNN 训练机器人进行特定动作,例如抓握或指向。该机器人由一条手臂和一个装有摄像头的头部组成。工作区也将是小桌子,以便可以定位手臂和物体。循环神经网络的输入将是相机每个时间步长的图像帧,输出将是机器人手臂下一帧的目标电机角度。当当前图像帧被馈送到网络时,网络会为下一帧输出 arm 的运动值。当手臂到达下一个位置时,该位置的输入帧再次进入网络,并再次产生下一个电机输出。

但是,在制作训练数据时,我必须为工作区上的所有位置制作(图像,电机角度)对的所有数据。尽管网络可以自行完成一些泛化工作,但所需的数据仍然太多,而且由于轨迹太多,需要花费大量时间。

概括我遇到的问题,获取网络训练数据的时间太多了。有什么方法可以用小数据集训练网络吗?或者在相对较小的人工干预下制作庞大的数据集?

4

2 回答 2

0

我搜索了更多论文,发现了一些与该主题相关的论文。我的问题的主要主题是

  1. 找到用小数据集有效训练网络的方法
  2. 找到用很少的人力来制作庞大数据集的方法

有一些论文,其中两篇对我帮助很大。这是链接。

用于机器人控制的基于解释的神经网络学习

超大自我监督:从 50K 次尝试和 700 个机器人小时中学习掌握

于 2015-12-08T01:51:27.283 回答
0

您的问题非常广泛,绝对涵盖的不仅仅是研究领域。这个问题无法在这个平台上回答,但是,我建议你查看gitHub 上的机器学习资源汇编,特别是数据分析部分。

与您的问题相关的更具体的资源是DeepNeuralClassifier

于 2015-12-08T01:53:27.193 回答