Nvidia Isaac Lab 3 - 无监督学习

无监督学习是机器人学习算法中的第二大类。与监督学习不同，无监督学习处理的是无标签数据。在这种情况下，神经网络的目标是在没有明确指导的情况下，识别数据中的模式和关系。

无监督学习的常见应用是聚类。在机器人领域，可用于环境建图。算法尝试识别环境中具有相似特征的区域，并且将它们归为一类，无需事先明确告知这些区域代表什么。

另一个重要应用是异常检测。比如在道路图像数据集中，其中一些道路状况良好，另一些则有坑洼或损坏。无监督学习算法可以在没有被明确告知哪些道路是“好”或“坏”的情况下，检测这些图像中的异常或差异。通过识别偏离常态的特征实现这一点。

然而，值得注意的是，无监督学习并非总是最佳选择，尤其在处理变异性较高的数据集时。在这种情况下，可以采用降维等技术简化数据，使其更易于被算法处理。

无监督学习为从无标签数据中提取有意义信息提供强大的手段，在带标签数据稀缺或获取成本高昂的场景中尤为实用。它能够发现数据中隐藏的模式和结构，这使其成为机器人领域中的宝贵工具，可以补充其他学习方法，让机器人系统更通用、更灵活。

以上就是关于监督学习和无监督学习工作原理的简要介绍。不过，谈到机器人学习，有两种主要算法尤为突出：模仿学习和强化学习。与侧重于处理感知信息或特定机器人部件的监督/无监督学习不同，这两类机器人学习分支专门处理机器人在其环境中的行动问题。