Imitationslernen

Imitation Learning ist ein Rahmenwerk zum Lernen von Verhaltensstrategien durch Demonstrationen, bei denen die Demonstrationsdaten in der Regel in Form von Zustand-Aktions-Trajektorien präsentiert werden. Diese Methode strebt an, entweder eine verallgemeinerbare Abbildung von Zuständen zu Aktionen durch überwachtes Lernen (Behavior Cloning) oder eine Belohnungs-/Kostenfunktion zu finden, die die Entscheidungen in den Demonstrationen optimiert, durch inverses Reinforcement Learning (Inverse Reinforcement Learning) herzustellen. Die neuesten Methoden des inversen Q-Learnings lernen die Q-Funktion direkt aus Expertendaten, wodurch die Belohnung implizit dargestellt wird und so die optimale Politik in Form einer Boltzmann-Verteilung bereitgestellt wird. Imitation Learning hat erheblichen Anwendungswert in Bereichen wie Robotik, autonome Fahrt und anderen Feldern, indem es die Entscheidungsfähigkeit und die Ausführungs-effizienz von Systemen effektiv verbessert.