Nvidia Isaac Lab 2 - 监督学习

监督学习是从带标签数据中学习的方法。带标签数据为每个输入提供真实值，也就是正确答案。比如，在猫狗图像分类任务中，有猫和狗的图片，以及标明每张图片所属类别的标签。输入是图像，输出是标签或动物名称。

这些带标签数据将被输入进神经网络，网络给出其预测结果。随后将预测结果与真实标签进行对比，并且通过优化与反向传播不断训练网络，提升其准确性。

监督学习中的核心概念是对带标签数据的依赖。监督学习内部有多种算法，比如 K 近邻（KNN）和均值距离分类器，它们本质上都是通过分析带标签数据，解决优化问题。

在机器人学习中，监督学习可应用于机器人的多个组成部分。比如，在目标识别与检测任务中，当机器人需要执行接近人类的任务时，可采用监督学习。通过向算法提供多样的人类图像，它能够学会识别人类，并且朝他们移动。

另一个应用是位姿预估。通过使用不同物体及其对应的真实位姿样本来训练算法，机器人可以学会准确地预估位姿。

这些示例表明，监督学习在机器人系统的特定模块中尤为有效，能够支持自主移动和任务完成。尽管它未必能覆盖整个机器人系统，但在提升机器人的感知与决策能力方面，监督学习扮演着至关重要的角色。