[논문 리뷰] A survey of robot learning from demonstrations for Human-Robot Collaboration

Jangwon Lee|arXiv (Cornell University)|2017. 10. 24.

Robot Manipulation and Learning참고 문헌 30인용 수 21

한 줄 요약

이 종합 검토는 인간-로봇 협업(HRC)을 위한 로봇 학습에서의 모의 학습(LfD)을 탐구하며, 의사소통, 상호작용 학습, 복잡한 작업 습득에 중점을 두고 있다. 효과적인 HRC를 위해서는 기술적 LfD 방법 외에도 인간 중심의 설계가 필요하여 인간-로봇 상호작용에서의 불확실성을 줄여야 하며, 의도 인식, 능동 학습, 그리고 복잡한 작업 학습을 위한 새로운 딥 러닝 응용 분야에서의 주요 진전이 이루어지고 있다.

ABSTRACT

Robot learning from demonstration (LfD) is a research paradigm that can play an important role in addressing the issue of scaling up robot learning. Since this type of approach enables non-robotics experts can teach robots new knowledge without any professional background of mechanical engineering or computer programming skills, robots can appear in the real world even if it does not have any prior knowledge for any tasks like a new born baby. There is a growing body of literature that employ LfD approach for training robots. In this paper, I present a survey of recent research in this area while focusing on studies for human-robot collaborative tasks. Since there are different aspects between stand-alone tasks and collaborative tasks, researchers should consider these differences to design collaborative robots for more effective and natural human-robot collaboration (HRC). In this regard, many researchers have shown an increased interest in to make better communication framework between robots and humans because communication is a key issue to apply LfD paradigm for human-robot collaboration. I thus review some recent works that focus on designing better communication channels/methods at the first, then deal with another interesting research method, Interactive/Active learning, after that I finally present other recent approaches tackle a more challenging problem, learning of complex tasks, in the last of the paper.

연구 동기 및 목표

• 기술적 운동 복제를 넘어서 인간 중심의 요소를 고려하여 인간-로봇 협업(HRC) 작업을 위한 로봇 학습에서의 모의 학습(LfD)에 대한 격차를 해소하기 위해.
• 불확실한 인간의 의도, 의사소통 장애, 직관적이고 사용자 友好的한 지도 인터페이스가 필요한 문제를 특정하고 분석하기 위해.
• 상호작용 및 능동 학습 방법이 협업 환경에서 로봇의 지도 효율성과 자율성 향상에 어떻게 기여할 수 있는지 탐색하기 위해.
• 딥 러닝 및 시퀀스 모델링(HMM 등)을 활용하여 인간의 시범으로부터 복잡한 다중 하위작업 협업 행동을 학습할 수 있는 가능성과 제약 조건을 검토하기 위해.
• 로봇 인식, 인간 이해, 적응형 지식 전달을 통합하는 새로운 학습 프레임워크를 설계하기 위해 다학제적 협업을 촉진하기 위해.

제안 방법

• 최근 HRC 분야의 LfD 관련 문헌을 조사하여 의사소통 방식, 상호작용 학습 전략, 복잡한 작업 학습 기법에 따라 접근 방식을 분류하기 위해.
• 비언어적 신호(시선, 제스처, 표정 등)를 활용한 의사소통 프레임워크를 분석하여 인간과 로봇 간의 상호 이해를 향상시키기 위해.
• 로봇이 질문을 던지거나 자리를 재배치하여 가르침 중 모호성을 줄이기 위해 상호작용/능동 학습 방법을 검토하기 위해.
• 숨은 마르코프 모델(HMM) 및 기타 시퀀스 모델을 활용하여 인간의 시범으로부터 복잡한 협업 작업을 분해하고 학습하기 위해.
• 대규모이고 다양한 시범 데이터셋이 부족하여 현재의 한계가 존재하므로, 딥 러닝의 잠재력을 평가하여 HRC에 적용 가능한지 검토하기 위해.
• 로봇 행동이 인간의 신뢰와 협업을 증진시키기 위해 이해 가능하고 예측 가능하도록 설계되어야 하며, 단순히 인간의 행동을 모방하는 데서 그치지 말아야 한다고 제안하기 위해.

실험 결과

연구 질문

• RQ1 협업 작업에서의 LfD 동안 불확실성을 줄이기 위해 인간과 로봇 간의 의사소통을 어떻게 향상시킬 수 있는가?
• RQ2 비언어적 신호와 이해 가능한 로봇 행동이 HRC 중 상호 이해를 어떻게 향상시키는가?
• RQ3 능동 또는 상호작용 학습 방법은 협업 환경에서 로봇을 가르치는 효율성과 강건성을 어떻게 향상시킬 수 있는가?
• RQ4 인간의 시범으로부터 복잡한 다중 하위작업 협업 행동을 학습하는 데 주요 과제는 무엇인가?
• RQ5 딥 러닝 기법은 HRC를 위한 LfD에 어느 정도 적용될 수 있으며, 현재 그 적용을 제한하는 장애 요소는 무엇인가?

주요 결과

• 효과적인 HRC는 운동 복제를 넘어서 인간의 의도, 감정, 신뢰도 고려해야 하며, 자연스러운 협업을 위해 필수적이다.
• 비언어적 의사소통 신호(예: 시선, 표정, 제스처)는 인간-로봇 상호작용에서 상호 이해를 크게 향상시키고 모호성을 줄이는 데 기여한다.
• 로봇이 질문을 던지거나 자리를 재배치하여 정보를 수집하는 상호작용/능동 학습 방법은 지도 효율성을 향상시키고 모호한 상황에서 오류를 줄이는 데 효과적이다.
• HMM 기반 접근법은 작업의 역학과 하위작업 분해를 모델링하는 데 잠재력을 보이지만, 인간의 시범에서 높은 변동성이 존재하기 때문에 복잡한 협업 작업 학습은 여전히 도전 과제이다.
• 딥 러닝 기법은 다양한 로봇 형태와 작업 구성에 맞는 대규모이고 다양한 시범 데이터셋이 부족하여 HRC LfD에 제한적으로 적용되고 있다.
• 로봇의 고유한 물리적 형태와 능력을 고려하지 않고 인간-인간 상호작용 패tern을 단순히 모방하는 것은 최적의 로봇 행동을 도출하지 못할 수 있으며, 의도 표현과 지식 적응을 맞춤형으로 설계할 필요가 있다.