Apprentissage multi-tâches
L'apprentissage multi-tâches entraîne une seule politique sur des démonstrations provenant de plusieurs tâches distinctes simultanément, avec l'attente que les représentations partagées apprises entre les tâches améliorent les performances sur chaque tâche individuelle et permettent la généralisation à de nouvelles tâches. En robotique, cela signifie souvent entraîner sur des centaines de tâches avec des objets, des objectifs et des environnements variés. Le défi clé est d'équilibrer les contributions de gradient des différentes tâches (interférence de gradient) et de s'assurer que la politique peut distinguer les tâches au moment de l'inférence — généralement via un conditionnement par langage ou des identifiants de tâche one-hot. Les politiques multi-tâches sont un prérequis pour les assistants robotiques polyvalents. Voir cela en pratique : nos évaluations en monde réel →