基于演示多表征学习的相似性感知技能复现

从演示中学习（LfD）算法使人类能够通过演示教给机器人新技能。所学技能可从相同或近边界条件（例如初始点）鲁棒地复现。然而，当将所学技能推广到方差更大的边界条件时，复现的相似性会随边界条件不同而变化，且单一 LfD 表征无法在泛化区域内保持一致的相似性。我们提出了一种新颖的相似性感知框架，包含多种 LfD 表征和一个相似性度量，可通过为给定边界条件寻找具有最高相似性值的复现来改进技能泛化。给定技能演示后，我们的框架通过使用相似性度量评估各个 LfD 表征，在感兴趣点（例如初始点）周围构建相似性区域。该体积内的任何点都对应于以最大相似性复现技能的表征。我们在三个模拟实验和四组使用物理 6-DOF 机器人的真实世界实验中验证了我们的多表征框架。我们还在 286 个模拟实验中评估了 11 种不同的相似性度量，并根据其偏差对其进行了分类。