将人类偏好从典型装配任务迁移至实际装配任务

为了依据个体偏好在装配任务中辅助人类用户，机器人通常需要在给定任务中由用户示范。然而，在实际装配任务中提供示范可能繁琐且耗时。我们的论点是，可从代表性典型任务中的示范学习用户在装配任务中的偏好。受人类运动经济性先前工作的启发，我们提出将用户偏好表示为抽象任务无关特征（如用户所需的运动及身心努力）的线性函数。对每位用户，我们从典型任务中的示范学习其偏好，并利用所学偏好在实际装配任务中预测其动作，而无需在实际任务中的任何用户示范。我们在一个飞机模型装配研究中评估了所提方法，表明偏好可有效从典型装配任务迁移至实际装配任务，使机器人能够预测用户动作。