从原始数据和在线专家反馈中进行机器人任务知识的归纳学习

机器人自主性水平的提升带来了信任和社会接受性方面的挑战，尤其是在人机交互场景中。这需要可解释的机器人认知能力实现，可能基于逻辑方法（如任务规范定义中的逻辑）。然而，复杂现实场景中常常缺乏先验知识。本文提出了一种基于从噪声示例中进行归纳逻辑编程的离线算法，用于从少量异构（即非重复）机器人执行记录的原始数据中提取任务规范（即动作前置条件、约束和效应）。我们的算法利用来自任何从视频-动力学记录中进行无监督动作识别算法的输出。结合定义非常基本、接近任务中立的环境常识概念，这些概念有助于提高我们方法的可解释性，我们能够学习编码动作前置条件的逻辑公理，以及在事件场程范式中对其效应的描述。由于学习任务规范的质量主要取决于动作识别算法的准确性，我们还提出了一个用于来自用户反馈的增量式任务知识细化的在线框架，确保安全执行。针对标准操作任务和用于用户训练的基准测试，结果显示我们方法在鲁棒性、数据和时间效率方面的优势，并在更复杂领域的可扩展性方面展现出前景。