面向执行监控与错误恢复的层次化任务分解：理解任务演示背后的原理

机器人与其环境交互并必须根据感知情况施加过程力的多步操作任务，仍然难以学习且容易发生执行错误。精确模拟这些任务也很困难。因此，学习如何协调末端执行器位姿与施加力、监控执行并对偏差做出反应，对于鲁棒的任务性能至关重要。为了应对这些挑战，我们提出了一种学习方法，直接从真实系统上的用户演示中推断出低层和高层任务表征。我们开发了一种无监督任务分割算法，该算法结合了意图识别和特征聚类来推断任务的技能。我们利用推断出的每个技能的特征，采用一种新颖的无监督异常检测方法来识别与预期任务执行的偏差。这些组件共同构成了一个全面的框架，能够随着新情况的出现增量式地学习任务决策和新行为。与最先进的学习技术相比，我们的方法显著减少了所需的训练数据量和计算复杂度，同时高效地学习了复杂的接触行为和恢复策略。我们提出的任务分割和异常检测方法，在两个不同的机器人系统上评估的基于力的任务中，优于最先进的方法。