面向机器人倒饮料的可解释分层模仿学习
机器人学
2021-05-18 v1 人工智能
摘要
将饮料准确倒入各类容器是服务机器人的一项基本技能。然而，倒饮料是一个动态过程且难以建模。传统用于实现自主机器人倒饮料的深度模仿学习技术具有固有的黑盒效应，且需要大量示范数据用于模型训练。为解决这些问题，本文提出可解释分层模仿学习（EHIL）方法，使机器人能跨多个倒饮料场景学习高层通用知识并执行低层动作。此外，借助 EHIL 可构建任务执行的逻辑图，通过它动作生成的决策过程可对用户解释，并可追溯失败原因。基于逻辑图，该框架可操控以实现不同目标，同时能以可解释方式适应未见过场景。我们开展了一系列实验验证所提方法有效性。结果表明 EHIL 在成功率、适应性、可操控性与可解释性上优于传统行为克隆方法。
引用
@article{arxiv.2105.07348,
title = {Explainable Hierarchical Imitation Learning for Robotic Drink Pouring},
author = {Dandan Zhang and Yu Zheng and Qiang Li and Lei Wei and Dongsheng Zhang and Zhengyou Zhang},
journal= {arXiv preprint arXiv:2105.07348},
year = {2021}
}
备注
15 pages, 12 figures