一致性：机器人演示学习中的数据质量度量标准
机器人学
2025-04-24 v2 人机交互
摘要
学习演示（LfD）使机器人能够通过人类演示获取新技能，使日常用户能够轻松教会机器人。然而，学习效果和泛化能力高度依赖演示质量。一致性常被用作衡量 LfD 质量的指标，但影响这种一致性的因素尚未得到充分探讨。本文评估了一系列运动数据特征，以确定哪些一致性度量标准最能预测学习性能。通过确保训练前的演示一致性，我们提升了模型的预测准确度和对新情景的泛化能力。我们通过两个用户研究进行验证，参与者来自机器人技术不同水平的群体。在第一项研究中（N=24），用户指导 PR2 机器人在受限环境中执行按钮按压任务；在第二项研究中（N=30），参与者训练 UR5 机器人进行抓取与放置任务。结果表明，演示一致性对学习和泛化中的成功率具有显著影响，在两项研究中，我们的一致性度量标准分别预测了 70% 和 89% 的任务成功率。此外，我们的度量标准以 76% 和 91% 的准确率估计了泛化性能成功率。这一发现表明，我们提出的度量标准提供了一种直观、实用的方法，无需专家数据或算法特定修改，即可在训练前评估演示数据质量。我们的ethods 提供了一种系统化的方法来评估演示质量，弥补了 LfD 中评估演示质量的关键空白，通过形式化一致性度量标准提升了机器人从人类演示中学习的可靠性。
引用
@article{arxiv.2412.14309,
title = {Consistency Matters: Defining Demonstration Data Quality Metrics in Robot Learning from Demonstration},
author = {Maram Sakr and H. F. Machiel Van der Loos and Dana Kulic and Elizabeth Croft},
journal= {arXiv preprint arXiv:2412.14309},
year = {2025}
}