具预测置信度的基于情境的回声状态网络用于人机共享控制

本文提出了一种基于滞答计算的 novel 轻量级学习演示（LfD）模型，能够学习和生成具有预测区间的多个运动轨迹，我们称之为具预测置信度的基于情境的回声状态网络（Context-based Echo State Network with prediction confidence，CESN+）。CESN+ 可以根据 desired 条件集生成可能超出初始 LfD 训练的运动轨迹，并提供对其生成输出的置信度。为评估 CESN+ 的性能，我们首先将其与使用条件神经过程生成运动原语的可比较框架（Conditional Neural Movement Primitives，CNMP）进行比较。我们的发现表明，CESN+ 不仅超越了 CNMP，而且更快地训练，并在生成外推案例的轨迹方面表现出色。在人机共享控制应用中，机器生成轨迹的置信度是衡量如何协商控制共享的关键指标。为展示 CESN+ 用于人机自适应共享控制的可用性，我们设计了一个 proof-of-concept 人机共享控制任务，并测试了其在根据固定权重控制方案比较的前提下适应共享权重的有效性。仿真实验表明，基于 CESN+ 的自适应共享可显著降低人类在共享控制中的负荷。总体而言，开发的 CESN+ 模型是一种具有快速训练和对新任务参数外推能力的强大轻量级 LfD 系统，同时为其输出提供稳健的预测区间。