从人类示范中学习不规则物体的装箱序列的机器人方法

我们应对了使用不规则物体（如杂货）进行机器人装箱的挑战。鉴于这些物体多样的 physical 属性以及支配其放置与操作的复杂约束，采用预编程策略变得不可行。我们的方法是直接从专家示范中学习，以提取隐式任务知识与策略，从而确保安全的物体摆放、高效的空间利用，并生成增强人机信任的类人行为。我们依赖人类示范来学习一个 Markov 链，用于预测给定物品集合的装箱序列，随后将其与人类表现进行比较。我们的实验结果表明，该模型通过生成更常被人类归类为类人的序列预测而优于人类表现，其类人程度高于人类生成的序列。人类示范使用我们提出的 VR 平台 BoxED 收集，该平台是一个用于模拟真实世界物体与场景的装箱环境，旨在快速、流畅地收集数据以教导机器人。我们收集了 43 名参与者打包总计 263 个含超市类物体的箱子数据，产生 4644 次物体操作。我们的 VR 平台可轻松适配新场景与物体，并与我们的数据集一同公开于 https://github.com/andrejfsantos4/BoxED。