学习评估人机交互中的自主行为
机器人学
2025-07-10 v1 计算机视觉与模式识别
机器学习
摘要
评估和比较自主人oid 机器人的性能具有挑战性，因为成功率指标难以复现，且未能捕捉机器人运动轨迹的复杂性——这在人机交互和协作(HRIC)中至关重要。为此，我们提出了一个通用的评估框架，通过聚焦于轨迹性能来衡量模仿学习(IL)方法的质量。我们构思了神经元模评估器(NeME)，一种用于对机器人关节轨迹中的动作进行分类的深度学习模型。NeME 作为模评估器，用于比较机器人控制策略的性能，使无需在评估循环中涉及人类。我们在 ergoCub 人oid 机器人上对我们的框架进行了验证，使用遥操作数据并比较了针对该平台可用的 IL 方法。实验结果表明，我们的方法比基线方法更符合机器人上的成功率，提供了一种可复现、系统且富有洞察力的方式，用于比较复杂 HRIC 任务中多模态模仿学习方法的性能。
引用
@article{arxiv.2507.06404,
title = {Learning to Evaluate Autonomous Behaviour in Human-Robot Interaction},
author = {Matteo Tiezzi and Tommaso Apicella and Carlos Cardenas-Perez and Giovanni Fregonese and Stefano Dafarra and Pietro Morerio and Daniele Pucci and Alessio Del Bue},
journal= {arXiv preprint arXiv:2507.06404},
year = {2025}
}