从示范到任务空间规范：利用因果分析从示范中提取规则参数化
人工智能
2020-06-23 v1 机器人学
摘要
学习用户行为模型是一个重要问题，广泛适用于许多需要人机交互的应用领域。在这项工作中，我们表明可以通过在潜空间内强制偏好任务解的聚类，从人类示范中提取不同的用户行为类型的生成模型。我们利用这些模型区分用户类型并找出具有重叠解的情况。此外，我们可以通过学习到的可微模型反向传播，改变初始猜测的解以满足构成特定用户类型的偏好。以这种方式构建生成模型的一个优势是，我们可以提取可能构成用户任务规范一部分的符号之间的因果关系，如示范中所显现的。我们进一步通过约束优化参数化这些规范，以找到可执行运动规划的安全包络。我们表明，所提方法能够正确区分三种用户类型（其在运动谨慎程度上不同），同时执行在桌面环境中由运动学驱动机器人移动物体的任务。我们的方法在99% [97.8 - 99.8]的案例中在指定时间内成功识别正确类型，优于IRL基线。我们还表明，即使面对未见过的物体，我们的方法也能正确地将默认轨迹更改为满足特定用户规范的轨迹。所得轨迹被证明可直接在PR2人形机器人上实现以完成相同任务。
引用
@article{arxiv.2006.11300,
title = {From Demonstrations to Task-Space Specifications: Using Causal Analysis to Extract Rule Parameterization from Demonstrations},
author = {Daniel Angelov and Yordan Hristov and Subramanian Ramamoorthy},
journal= {arXiv preprint arXiv:2006.11300},
year = {2020}
}
备注
arXiv admin note: substantial text overlap with arXiv:1903.01267