从末端学习：人形机器人中从手到工具的可供性

在设计能够在不可预测的人类环境中成功运行的机器人时，一个开放性挑战是如何使它们能够预测自己可以对物体执行哪些动作以及这些动作的效果，即感知物体可供性（affordances）的能力。由于对所有可能的世界交互进行建模是不可行的，因此需要从经验中学习，这带来了收集大量经验（即训练数据）的挑战。通常，操纵型机器人通过使用自身的手（或类似末端执行器）来操作外部物体，但在某些情况下可能希望使用工具；然而，有理由假设，虽然机器人可以利用自己的手收集许多感觉运动经验，但对于所有可能存在的人造工具而言这不可能实现。因此，本文研究了从手到工具可供性的发展性迁移：机器人用赤手获得的哪些感觉运动技能可用于工具使用？通过采用视觉和动作想象机制来紧凑地表示不同的手势，我们提出了一种概率模型来学习手可供性，并展示了该模型如何泛化以估计先前未见过的工具的可供性，最终支持人形机器人中的规划、决策和工具选择任务。我们给出了使用 iCub 人形机器人的实验结果，并公开以手姿势可供性数据集的形式发布了所收集的感觉运动数据。