部分自动化下的扰动注入：面向长时序任务的鲁棒模仿学习
机器人学
2023-03-23 v1 机器学习
摘要
带有智能辅助系统的部分自动化（PA）已被引入工业机械与先进汽车中，以减轻长时间人工操作的负担。在 PA 下，操作员执行手动操作（提供动作）以及切换自动/手动模式的操作（模式切换）。由于 PA 减少了手动操作的总时长，这两类动作与模式切换操作可通过模仿学习以高样本效率复现。为此，本文提出部分自动化下的扰动注入（DIPA）作为一种新颖的模仿学习框架。在 DIPA 中，模式与动作（手动模式下）被假定为各状态中的可观测量，并用于学习动作策略与模式切换策略。上述学习通过对操作员动作注入扰动得以鲁棒化，以优化扰动水平从而在 PA 下最小化协变量偏移。我们在两个仿真与一个真实机器人环境中实验验证了该方法对长时序任务的有效性，并确认其优于以往方法且减轻了示教负担。
引用
@article{arxiv.2303.12375,
title = {Disturbance Injection under Partial Automation: Robust Imitation Learning for Long-horizon Tasks},
author = {Hirotaka Tahara and Hikaru Sasaki and Hanbit Oh and Edgar Anarossi and Takamitsu Matsubara},
journal= {arXiv preprint arXiv:2303.12375},
year = {2023}
}
备注
8 pages, Accepted by Robotics and Automation Letters (RA-L) 2023