[论文解读] Affordances in Robotic Tasks -- A Survey

Paola Ardón, Èric Pairet+3 more|arXiv (Cornell University)|Apr 15, 2020

Robot Manipulation and Learning参考文献 106被引用 23

一句话总结

本综述基于先验知识水平，提出了一种基于知识的机器人操作性表征分类方法，分析了目标物体、动作与效应之间的关联。研究识别出在标准化、基准测试和研究重点方面存在的空白，尤其在多步规划和触觉/本体感觉传感方面；同时倡导采用人类动作相似性度量方法来评估性能。

ABSTRACT

Affordances are key attributes of what must be perceived by an autonomous robotic agent in order to effectively interact with novel objects. Historically, the concept derives from the literature in psychology and cognitive science, where affordances are discussed in a way that makes it hard for the definition to be directly transferred to computational specifications useful for robots. This review article is focused specifically on robotics, so we discuss the related literature from this perspective. In this survey, we classify the literature and try to find common ground amongst different approaches with a view to application in robotics. We propose a categorisation based on the level of prior knowledge that is assumed to build the relationship among different affordance components that matter for a particular robotic task. We also identify areas for future improvement and discuss possible directions that are likely to be fruitful in terms of impact on robotics practice.

研究动机与目标

• 为解决机器人领域中'操作性'一词使用的模糊性，提出一种基于先验知识水平的统一分类方法。
• 通过物体-动作-效应关系和泛化能力的视角，分析现有机器人操作性方法。
• 识别出研究不足的领域，如多步动作预测、本体感觉教学和触觉传感在操作性学习中的应用。
• 强调缺乏标准化数据集和评估度量是制约机器人应用发展的关键障碍。
• 倡导采用人类动作相似性度量（例如，Hausdorff距离、Kullback-Leibler散度）来与人类行为对比，以基准化性能评估。

提出的方法

• 根据用于关联目标物体、动作与效应的先验知识水平，对操作性方法进行分类。
• 根据数据收集方法对方法进行分类：示范、探索、启发式方法或从离线数据中学习。
• 在感知模态（视觉、触觉、本体感觉、运动觉）和表征类型（确定性与概率性）之间映射方法论。
• 使用可视化群体分布图（图13）展示各类操作性组件的使用频率，突出研究不足的领域。
• 提出评估度量方法，如Hausdorff距离和Kullback-Leibler散度，用于将机器人动作与人类真实行为进行比较。
• 综述了来自机器人学、认知科学和人工智能领域的125篇以上文献，以识别操作性建模中的趋势、局限和研究空白。

实验结果

研究问题

• RQ1 如何基于所假设的先验知识水平，对机器人中的操作性表征进行系统性分类？
• RQ2 当前操作性学习方法中，主导的感知模态和数据收集方法是什么？
• RQ3 为何在基于操作性的机器人任务中，数据集和评估度量缺乏标准化？
• RQ4 哪些操作性组件（例如，多步动作、运动轨迹、触觉传感）尽管重要，却仍研究不足？
• RQ5 人类动作相似性度量在多大程度上能改善对机器人操作性性能的评估？

主要发现

• 绝大多数操作性研究聚焦于原始动作（如推、举）的建模，使用视觉感知和基于图像的标签，采用确定性建模方法。
• 在所审查的文献中，少于10%的研究将本体感觉教学或触觉传感纳入操作性学习，尽管这些方法具有高可靠性与鲁棒性潜力。
• 多步动作预测和运动轨迹学习显著研究不足，表明存在重大研究空白。
• 评估度量尚未形成共识；该领域缺乏基准数据集和标准化的性能比较。
• 提出使用Hausdorff距离和Kullback-Leibler散度等人类动作相似性度量，作为实现更有意义评估的有前景路径。
• 尽管基于学习和模仿的方法已取得进展，但由于定义不一致且缺乏社区范围内的标准，该领域仍处于碎片化状态。