面向机器人学习与泛化的示范质量量化
机器人学
2024-12-19 v1 人机交互
摘要
示范学习（LfD）旨在通过让多样化的最终用户通过提供示范来教机器人执行任务，从而实现机器人技术的普及。然而，大多数 LfD 技术假设用户提供最优示范。在真实应用中并非总是如此，用户很可能提供质量参差不齐的示范，且质量可能随专业程度和其他因素而变化。示范质量在机器人学习和泛化中起着关键作用。因此，在使用所提供的示范进行机器人学习之前，量化它们的质量十分重要。在本文中，我们提出基于示范在所学任务中的表现来量化其质量。我们假设任务表现可以指示在相似任务上的泛化表现。所提方法在一项用户研究（N = 27）中得到验证。招募了具有不同机器人专业水平的用户，在不同任务约束下教一台 PR2 机器人一项通用任务（按按钮）。他们在两个不同日期的两个会话中教机器人，以捕捉其跨会话的教学行为。任务表现被用于将所提供的示范分类为高质量和低质量集合。结果显示所有参与者的任务表现与泛化表现之间存在显著的皮尔逊相关系数（R = 0.85, p < 0.0001）。我们还发现用户聚为两类：从第一次会话就提供高质量示范的用户，归为快速适应组；以及在第一次会话提供低质量示范而后通过练习改善的用户，归为慢速适应组。这些结果凸显了量化示范质量的重要性，它可以指示用户对该任务的适应水平。
引用
@article{arxiv.2203.13843,
title = {Quantifying Demonstration Quality for Robot Learning and Generalization},
author = {Maram Sakr and Zexi Jesse Li and H. F. Machiel Van der Loos and Dana Kulic and Elizabeth A. Croft},
journal= {arXiv preprint arXiv:2203.13843},
year = {2024}
}