机器人运动风格的成本函数

我们专注于自主生成表达某种风格或情感的日常物理任务机器人运动。由于我们寻求跨任务实例和任务类型的泛化，我们提议通过成本函数来捕捉风格，机器人可在轨迹优化过程中使用这些成本函数以增强其标称任务成本和任务约束。我们比较了表示此类成本函数的两种途径：手工设计特征的加权线性组合，以及作用于原始轨迹输入的神经网络参数化。对于每种成本类型，我们根据用户反馈学习每种风格的权重。我们在用户研究中将这些途径与标称运动在不同任务和不同风格上对比，发现它们彼此表现相当，且显著优于基线。每种途径各有优势：特征化成本需要学习更少参数且在某些风格上表现更好，但神经网络表示不需要设计特征的专家知识，甚至能学到比专家易于设计的更复杂、微妙的成本。