^{<sub id="jgr5k"></sub>}

視頻：Pieter Abbeel NIPS 2017大會報告《Deep Learning for Robots》（附PDF）

本文作者： AI科技評論

2017-12-08 13:08

導語：12月6日下午，加州大學伯克利分校教授、機器人與強化學習領域的大牛Pieter Abbeel在NIPS 2017的報告視頻。

雷鋒網按：美國時間12月4日，第31屆神經信息處理系統大會（Neural Information Processing Systems，NIPS）在美國長灘會議中心開幕。其中，在正會第二天（12月6日）下午，大會邀請加州大學伯克利分校教授、機器人與強化學習領域的大牛Pieter Abbeel發表了題為《Deep Learning for Robots》（深度學習在機器人領域的應用）的報告。雷鋒網特此整理了報告的視頻及PPT供讀者進行學習。

關于演講者

視頻：Pieter Abbeel NIPS 2017大會報告《Deep Learning for Robots》（附PDF）

Pieter Abbeel 是加州大學伯克利分校教授、機器人與強化學習領域的大牛。他于比利時 KU Leuven 獲電子工程學士、碩士學位，之后在斯坦福大學師從吳恩達，并與2008年獲得計算機科學博士學位。Pieter Abbeel 自2008年起在加州大學伯克利分校擔任教職。

在攻讀博士期間，Pieter Abbeel發表了多篇重要的學術論文，并與導師吳恩達提出了學徒學習（Apprenticeship learning）這一增強學習的全新概念。2011年，Pieter Abbeel通過深度神經網絡使用策略搜索所，實現了機器人疊毛巾的演示。他也因此被MIT Technology Review評選為當年的“TR35”獲獎者。Pieter Abbeel還是創業公司Embodied Intelligence的董事長兼首席科學家（參見雷鋒網文章：《離開 OpenAI 和導師一起創業，他們要讓機器人不編程也能像人一樣干活》）。

摘要

視頻：Pieter Abbeel NIPS 2017大會報告《Deep Learning for Robots》（附PDF）

在報告中，Pieter Abbeel介紹了人工智能驅動的機器人研究中的多個未解決的問題，包括：更快的增強學習、遠景推理、任務可用性、終身學習、對模擬的利用、最大限度地提取現實世界中的信號等。接下來Pieter Abbeel詳細介紹了多種用于機器人研究的深度學習方法，包括：強化學習、元學習、模仿學習、持續學習，以及這些方法的重要參考文獻及細分領域研究進展。

注：大會官網并未提供本次報告摘要，以上摘要為雷鋒網根據現場內容整理而成。