在社会情境中学习全身人机触觉交互

本文提出一种示范学习（LfD）框架，用于教导涉及全身触觉交互（即人类与机器人全身体表的直接接触）的人机社会交互。现有 LfD 框架在此类交互中性能下降，原因在于示范数据的高维性与时空稀疏性。我们表明，通过利用这种稀疏性，可在不招致显著精度损失的前提下降低数据维度，并引入三种实现此目的的策略。通过将这些技术与用于学习多模态人机交互的 LfD 框架相结合，我们可对全身触觉交互过程中触觉与运动觉信息间的时空关系进行建模。利用一台装备有 61 个力传感器的遥操作双臂机器人，我们通过实验证明，一个由 4 名参与者 121 个拥抱样本训练出的模型能很好地泛化至未见过的输入与人类伙伴。