人-机器人团队中学习任务与分配任务的协同调度

我们考虑使用人-机器人团队以最小代价完成一组 $n$ 个任务的问题。在许多领域中，若待完成任务数量有限，教导机器人完全自主可能是适得其反的。相反，最优策略是权衡教导机器人的成本与其收益——即它使机器人能自主解决多少新任务。我们将此表述为一个规划问题，其目标是决定机器人应自主执行哪些任务（行动）、哪些任务应委派给人（委派）以及应教导机器人哪些任务（学习），从而以最小代价完成所有给定任务。该规划问题产生一个随 $n$ 指数增长的搜索树——使得标准图搜索算法难以处理。我们通过将问题转化为混合整数规划来解决，该规划可使用现成求解器高效求解并带有解质量界限。为预测学习的收益，我们提出了一种前置条件预测分类器。给定两个任务，该分类器预测在一个任务上训练得到的技能是否会迁移到另一个。最后，我们在 peg 插入与乐高堆叠任务上评估了我们的方法，涵盖仿真与真实世界，显示出人力的大量节省。