ILeSiA：从摄像机输入交互式学习机器人情境意识

基于演示学习是教导机器人新技能的有前景的方法。然而，执行所学技能的关键挑战是识别故障并防止故障。这至关重要，因为演示通常仅覆盖有限的情景且通常仅包含成功情形。执行任务时，可能出现意外情况，例如环境变化或与人类操作员的互动。为识别此类情形，本文聚焦于使用摄像机输入教导机器人情境意识，通过将帧标记为安全或风险。我们训练一个高斯过程 (GP) 回归模型，其输入为输入图像的低维潜在空间表示。该模型输出一个从 0 到 1 的连续风险分数，量化每个时间步的风险程度。这允许在不安全情形时暂停任务执行，并直接添加新的训练数据，由人类用户标记。我们的实验表明，在机械臂上，所提出的方法能够可靠地检测已知和新故障，只需每个新故障的一个示例。相比之下，标准多层感知器 (MLP) 仅在训练期间遇到的故障上表现良好。我们的方法使下一代协作机器人能够实现快速部署、易于设置的基于视觉的风险评估，主动保护人类并在故障发生前检测到误对齐的部件或缺失物体。我们在 imitrob.ciirc.cvut.cz/publications/ilesia 提供了可复现实验的所有代码和数据。