基于云的分层模仿学习用于建筑技能从人工劳动者到辅助机器人的可扩展迁移

将重复性和高体力消耗的施工任务分配给机器人可减轻人工劳动者遭受职业伤害的风险。将必要的灵巧且自适应的手工建筑施工工艺技能从劳动者迁移到机器人，对于成功委派施工任务并实现高质量的机器人建造工作至关重要。预定义的动作规划脚本在非结构化施工现场环境中往往产生僵硬且易碰撞的机器人行为。相比之下，模仿学习（IL）提供了一种更鲁棒且灵活的技能迁移方案。然而，大多数 IL 算法依赖人工劳动者反复进行全尺度任务演示，这在施工工作中可能适得其反且不可行。为解决此问题，本文提出一种沉浸式、基于云机器人技术的虚拟演示框架，其服务于两个主要目的。首先，它将演示过程数字化，消除了反复物理操控重型施工物体的需要。其次，它采用可复用的联邦演示集合，这些演示可迁移至未来的类似任务，从而减少对人类代理反复演示任务的需求。此外，为增强机器人训练的可信性、可解释性和伦理合理性，该框架利用分层模仿学习（HIL）模型将人类操控技能分解为顺序与反应式子技能。这两层技能由深度生成模型表示，从而实现机器人动作的自适应控制。通过将施工工作的体力负荷委派给经人类训练的机器人，该框架促进了具有不同体能和教育背景的劳动者在建筑行业中的包容。