视频：Pieter Abbeel NIPS 2017大会报告《Deep Learning for Robots》（附PDF）

本文作者： AI科技评论

2017-12-08 13:08

导语：12月6日下午，加州大学伯克利分校教授、机器人与强化学习领域的大牛Pieter Abbeel在NIPS 2017的报告视频。

雷锋网按：美国时间12月4日，第31届神经信息处理系统大会（Neural Information Processing Systems，NIPS）在美国长滩会议中心开幕。其中，在正会第二天（12月6日）下午，大会邀请加州大学伯克利分校教授、机器人与强化学习领域的大牛Pieter Abbeel发表了题为《Deep Learning for Robots》（深度学习在机器人领域的应用）的报告。雷锋网特此整理了报告的视频及PPT供读者进行学习。

关于演讲者

视频：Pieter Abbeel NIPS 2017大会报告《Deep Learning for Robots》（附PDF）

Pieter Abbeel 是加州大学伯克利分校教授、机器人与强化学习领域的大牛。他于比利时 KU Leuven 获电子工程学士、硕士学位，之后在斯坦福大学师从吴恩达，并与2008年获得计算机科学博士学位。Pieter Abbeel 自2008年起在加州大学伯克利分校担任教职。

在攻读博士期间，Pieter Abbeel发表了多篇重要的学术论文，并与导师吴恩达提出了学徒学习（Apprenticeship learning）这一增强学习的全新概念。2011年，Pieter Abbeel通过深度神经网络使用策略搜索所，实现了机器人叠毛巾的演示。他也因此被MIT Technology Review评选为当年的“TR35”获奖者。Pieter Abbeel还是创业公司Embodied Intelligence的董事长兼首席科学家（参见雷锋网文章：《离开 OpenAI 和导师一起创业，他们要让机器人不编程也能像人一样干活》）。

摘要

视频：Pieter Abbeel NIPS 2017大会报告《Deep Learning for Robots》（附PDF）

在报告中，Pieter Abbeel介绍了人工智能驱动的机器人研究中的多个未解决的问题，包括：更快的增强学习、远景推理、任务可用性、终身学习、对模拟的利用、最大限度地提取现实世界中的信号等。接下来Pieter Abbeel详细介绍了多种用于机器人研究的深度学习方法，包括：强化学习、元学习、模仿学习、持续学习，以及这些方法的重要参考文献及细分领域研究进展。

注：大会官网并未提供本次报告摘要，以上摘要为雷锋网根据现场内容整理而成。