$(ST)^2$：顺序教学长时域操作技能
机器人学
2026-01-21 v2
摘要
从示范中学习已被证明对于以高样本效率教授机器人复杂技能是有效的。然而，教授包含多种技能的长时间任务具有挑战性，因为偏差容易累积，分布偏移变得更加明显，并且人类教师会随时间疲劳，从而增加失败的可能性。为了解决这些挑战，我们引入了，一种用于学习长时域操作任务的顺序方法，允许用户通过指定关键点来控制教学流程，从而实现结构化和增量式的示范。利用该框架，我们研究了用户对两种教学范式的反应：(i) 传统的整体方法，用户一次性演示整个任务轨迹；(ii) 顺序方法，任务被分段并逐步演示。我们在一个逼真的零售店环境中，对补货任务进行了广泛的用户研究，涉及16名参与者，评估了用户偏好和方法的有效性。用户层面的分析显示，在大多数情况下（10名用户），顺序方法的表现优于整体方法（5名用户），另有1名用户持平。我们的主观结果表明，一些教师偏好顺序教学——因为它允许他们迭代地教授复杂任务——而另一些教师则因其简单性而偏好一次性教学。
引用
@article{arxiv.2510.21046,
title = {Sequentially Teaching Sequential Tasks $(ST)^2$: Teaching Robots Long-horizon Manipulation Skills},
author = {Zlatan Ajanović and Ravi Prakash and Leandro de Souza Rosa and Jens Kober},
journal= {arXiv preprint arXiv:2510.21046},
year = {2026}
}
备注
Accepted for publication in IEEE Robotics and Automation Magazine