Ekspert etykietuje poprawne akcje także w sytuacjach osiągniętych przez uczącą się politykę, a nowe przykłady są dołączane do danych. Metoda ogranicza kumulowanie się błędów klonowania zachowań.
An expert labels correct actions in states reached by the learning policy, and the new examples are added to the dataset. This mitigates compounding error in behavioural cloning.
To uczenie z pokazów uzupełnianych korektami człowieka w sytuacjach, do których program sam dotarł.
This learns from demonstrations supplemented with human corrections in situations reached by the program itself.
Po pierwszej pomyłce program trafia w nieznaną sytuację, której nie było w poprawnych pokazach, i dalej błądzi.
After an initial mistake, software enters a situation absent from correct demonstrations and continues going wrong.
Zbiera od człowieka poprawne działania dla nowych obserwacji programu, dołącza je do wcześniejszych pokazów i ponownie uczy wybory.
It collects correct human actions for new situations encountered by the program, adds them to earlier demonstrations and relearns choices.
Robot źle chwyta ręcznik; człowiek wskazuje ruch poprawiający tę sytuację, a nowy przykład trafia do danych kolejnej nauki.
A robot grips a towel incorrectly; a person identifies a corrective move, and that example becomes part of the next training data.